Mendeteksi Penyakit Tanaman dan Stres Menggunakan Pencitraan Hiperspektral

Mendeteksi penyakit dan stres tanaman merupakan aktivitas penting dalam pengelolaan tanaman pangan. Kemampuan untuk mengidentifikasi penyakit dan stres pada tahap awal memungkinkan respons dini untuk mengubah praktik pengelolaan tanaman pangan atau mencegah penyebaran infeksi. Metode konvensional melibatkan pemeriksaan tanaman untuk mengetahui gejala yang terlihat, yang cenderung muncul pada tahap tengah atau akhir infeksi, atau analisis kimia. Metode ini dapat memakan waktu atau melibatkan langkah ekstraksi yang membosankan dan pengukuran jaringan tanaman yang merusak. Oleh karena itu, banyak bidang penelitian yang mengadopsi pencitraan hiperspektral (HSI) karena pendekatannya yang tidak merusak untuk memberikan informasi fisiologis dan struktural pada tanaman, sehingga memberikan peluang untuk mengidentifikasi penyakit dan stres sebelum gejala yang terlihat muncul.

HSI adalah teknik yang menangkap informasi spasial dan spektral suatu objek pada rentang spektrum elektromagnetik yang luas. Data yang dikumpulkan, disebut

Error! You must specify a valid width to use this shortcode!

berisi gambar spasial 2D dari ratusan pita spektral (panjang gelombang) yang bersebelahan dan sempit. Data tersebut kemudian dapat diproses menggunakan indeks vegetasi atau teknik untuk mendeteksi dan mengklasifikasikan penyakit dan stres tanaman. Misalnya, Weng dkk. (2018) menggabungkan HSI dengan LSSVM (least squares support vector machine) untuk mengklasifikasikan antara pohon jeruk yang sehat dan yang terinfeksi penyakit penghijauan jeruk. Bravo dkk. (2003) menggunakan HSI dengan kombinasi NDVI (normalized difference growing index) dan QDA (quadratic discriminant analysis) untuk membedakan spektrum tanaman gandum antara yang sehat dan yang terkena penyakit karat kuning.

Saat memilih kamera hiperspektral untuk aplikasi Anda, ada beberapa faktor yang harus dipertimbangkan.

Rentang Spektral

Sebagian besar kamera hiperspektral dirancang untuk mengukur hanya sub-rentang tertentu dari spektrum elektromagnetik seperti cahaya tampak dan inframerah dekat (VNIR) di sekitar rentang panjang gelombang 400 – 1000 nm, inframerah gelombang pendek (SWIR) di sekitar rentang panjang gelombang 1000 – 2500 nm, dll. Pemilihan kamera hiperspektral harus didasarkan pada rentang spektralnya untuk mencakup panjang gelombang aplikasi yang Anda maksudkan. Misalnya, kamera hiperspektral dengan rentang spektral VNIR akan cocok untuk mengukur perubahan pigmentasi daun (sekitar rentang 400–700 nm). Namun untuk menangkap perubahan kadar air (sekitar rentang 1300–2500 nm), kamera hiperspektral dengan rentang spektral SWIR akan lebih cocok.

Teknologi

Ada berbagai jenis kamera hiperspektral, dan dapat dikategorikan berdasarkan jenisnya teknologi, seperti sapu dorong (pemindaian garis), filter merdu, dll. Perbedaan utamanya adalah cara menangkap data dan kebutuhan pencahayaannya. Misalnya, dorong data pengambilan sapu dengan memindai satu garis di seluruh sampel (Gambar 1) dan hanya perlu menerangi garis sempit ini. Filter merdu menangkap data dari satu pita spektral pada satu waktu (Gambar 2) dan memerlukan penerangan pada area yang jauh lebih luas. Semakin besar area iluminasi, semakin sulit mencapai iluminasi yang seragam dan stabil. Sebagian besar sumber cahaya adalah sumber titik, dan menghasilkan pencahayaan yang seragam dan stabil untuk pencitraan area berarti sumber cahaya harus berada jauh dari sampel target.

Specim, pemimpin global dalam solusi HSI, memiliki beragam pilihan kamera hiperspektral sapu dorong, mulai dari Specim IQ portabel hingga sistem HSI di udara, yang mencakup panjang gelombang mulai dari panjang gelombang tampak hingga inframerah panjang gelombang panjang (LWIR). Tonton

Error! You must specify a valid width to use this shortcode!

ini untuk mengetahui lebih lanjut tentang cara kerja kamera hiperspektral Specim.

Butuh informasi lebih lanjut tentang HSI? Butuh bantuan dalam menyiapkan sistem HSI untuk aplikasi Anda? Hubungi spesialis kami untuk konsultasi gratis sekarang.