شناسایی میوه خیار در تصاویر گیاه به کمک شبکه عصبی مصنوعی

ماشین های کشاورزی

مقاله 3، دوره 13، شماره 1 - شماره پیاپی 27، فروردین 1402، صفحه 27-39   

نوع مقاله: مقاله پژوهشی انگلیسی

شناسه دیجیتال (DOI): 10.22067/jam.2022.73827.1077

نویسندگان

داود محمدزمانی^{* 1}؛ سید محمد جاویدان²؛ معین زند³؛ محمد رسولی⁴

¹گروه مهندسی بیوسیستم، دانشگاه آزاد اسلامی واحد تاکستان، تاکستان، ایران

²گروه مهندسی بیوسیستم، دانشگاه تربیت مدرس، تهران، ایران

³دانش‌آموخته کارشناسی ارشد، گروه مهندسی بیوسیستم، دانشگاه آزاد اسلامی واحد تاکستان، تاکستان، ایران

⁴گروه اصلاح نباتات، دانشگاه آزاد اسلامی واحد تاکستان، تاکستان، ایران

چکیده

در این مطالعه، یک رویکرد شبکه عصبی برای تعیین محل دقیق میوه خیار بر روی تصاویر گلخانه‌ای پیشنهاد شده است. برای این منظور پس از متعادل کردن هیستوگرام روشنایی تصویر مورد نظر، تصویر را با پنجره‌ای حاوی تصویر میوه خیار ضرب می‌کند که باعث می‌شود در مناطق مشکوک به خیار ضرایب بزرگ‌تری به‌دست آید. با استخراج این حداکثرهای محلی، خوشه‌هایی از نقاط اولیه به‌عنوان پنجره‌های احتمالی وجود خیار به‌دست می‌آید. سپس برای تشخیص دقیق محل قرارگیری خیارها، این نقاط و نواحی اطراف آن‌ها به یک شبکه عصبی که با استفاده از تعدادی تصویر شامل تصاویر خیار، تصاویر غیر خیار و پاسخ بهینه آن‌ها آموزش داده شده است، ارجاع داده می‌شود. مناطق به‌دست‌آمده از این شبکه منجر به تشخیص دقیق محل خیارها در تصویر شد. روش پیشنهادی در جعبه ابزار Simulink نرم‌افزار متلب پیاده‌سازی شد. سپس روش پیشنهادی با استفاده از این ساختار شبکه شبیه‌سازی شد و بر روی 120 تصویر به‌دست‌آمده از یک گلخانه توسط دوربین دیجیتال آزمایش شد. این روش خطای پایینی داشت و توانست نرخ بالایی را در زمان مناسب میوه‌های خیار در تصاویر کشف‌شده تشخیص دهد.

کلیدواژه‌ها

تشخیص؛ پردازش تصویر؛ خیار گلخانه‌ای؛ شبکه عصبی مصنوعی

مراجع

1. Bao, G., Cai, S., Qi, L., Xun, Y., Zhang, L., & Yang, Q. (2016). Multi-template matching algorithm for cucumber recognition in natural environment. Computers and Electronics in Agriculture, 127, 754-762. https://doi.org/10.1016/j.compag.2016.08.001
2. Fernandes, S., & Bala, J. (2015). Study on MACE Gabor Filters, Gabor Wavelets, DCT-Neural Network, Hybrid Spatial Feature Interdependence Matrix, Fusion Techniques for Face Recognition. Recent Patents on Engineering, 9(1), 29-36. https://doi.org/10.2174/2210686303666131118220632
3. Hayashi, S., Ganno, K., Ishii, Y., & Tanaka, I. (2002). Robotic Harvesting System for Eggplants. Japan Agricultural Research Quarterly: JARQ, 36(3), 163-168. https://doi.org/10.6090/jarq.36.163
4. Li, D., Zhao, H., Zhao, X., Gao, Q., & Xu, L. (2017). Cucumber detection based on texture and color in greenhouse. International Journal of Pattern Recognition and Artificial Intelligence, 31(08), 1754016. https://doi.org/10.1142/S0218001417540167
5. Li, P., Lee, S., & Hsu, H. Y. (2011). Review on fruit harvesting method for potential use of automatic fruit harvesting systems. Procedia Engineering, 23, 351-366. https://doi.org/10.1016/j.proeng.2011.11.2514
6. Li, Z., Miao, F., Yang, Z., & Wang, H. (2019). An anthropometric study for the anthropomorphic design of tomato-harvesting robots. Computers and Electronics in Agriculture, 163, 104881. https://doi.org/10.1016/j.compag.2019.104881
7. Lin, G., Tang, Y., Zou, X., Xiong, J., & Fang, Y. (2019). Color, depth, and shape-based 3D fruit detection. Precision Agriculture. https://doi.org/10.1007/s11119-019-09654-w
8. Liu, X., Zhao, D., Jia, W., Ji, W., Ruan, C., & Sun, Y. (2019). Cucumber Fruits Detection in Greenhouses Based on Instance Segmentation. IEEE Access, 7, 139635-139642. https://doi:10.1109/access.2019.2942144
9. Ma, J., Du, K., Zheng, F., Zhang, L., Gong, Z., & Sun, Z. (2018). A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network. Computers and Electronics in Agriculture, 154, 18-24. https://doi.org/10.1016/j.compag.2018.08.048
10. Mohamadzamani, D., Sajadian, S., & Javidan, S. M. (2020). DDetection of Callosobruchus maculatus with image processing and artificial neural network. Applied Entomology and Phytopathology, 88(1), 103-112. https://doi.org/10.22092/jaep.2020.341684.1324
11. Vakilian, K. A., & Massah, J. (2016). An apple grading system according to European fruit quality standards using Gabor filter and artificial neural networks. Scientific Study & Research. Chemistry & Chemical Engineering, Biotechnology, Food Industry, 17(1), 75.
12. Yuan, T., Li, W., Feng, Q., & Zhang. J. (2010). Spectral Imaging for Greenhouse Cucumber Fruit Detection Based on Binocular Stereovision. 2010 Pittsburgh, Pennsylvania. https://doi.org/10.13031/2013.29858
13. T., Chen-guang, X., Yong-xin, R., Qing-chun, F., Yu-zhi, T., & Wei, L. (2008). Detecting the Information of Cucumber in Greenhouse for Picking Based on NIR Image. College of Engineering China Agricultural University Beijing 100083.
14. Zhao, Y., Gong, L., Huang, Y., & Liu, C. (2016). A review of key techniques of vision-based control for harvesting robot. Computers and Electronics in Agriculture, 127, 311-323. https://doi.org/10.1016/j.compag.2016.06.022