تشخیص خودکار ردیف‌های کشت گیاه توسط ربات به کمک بینایی ماشین (مطالعه موردی: گیاه ریحان)

ماشین های کشاورزی

مقاله 4، دوره 13، شماره 4 - شماره پیاپی 30، دی 1402، صفحه 453-475   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.2022.77315.1112

نویسندگان

مریم نداف زاده¹؛ احمد بناکار²؛ سامان آبدانان مهدی زاده^{* 3}؛ محمدرضا زارع بوانی⁴؛ سعید مینایی²

¹دانشجوی دکتری گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران

²گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران

³گروه مهندسی مکانیک بیوسیستم، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران

⁴گروه علوم باغبانی، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران

چکیده

در کشاورزی دقیق، مکان‌یابی خودکار محصولات یکی از موضوعات تحقیقاتی مهم است. در این پژوهش شناسایی دقیق ردیف‌های کشت محصول ریحان به‌منظور مسیریابی خودکار یک ربات گزارش می‌شود. در یک مرحله از این تحقیق با اخذ تعداد شش تصویر در هر دوره‌ی رشد (هفته سوم، هفته چهارم و هفته پنجم) به حذف علف‌های هرز میان ردیف‌های کشت محصول پرداخته شد؛ که بدین منظور از سه روش مختلف (گشودگی مساحت، حذف ابعادی و ماسک‌گذاری) استفاده گردید. در مرحله‌ای دیگر تعداد شش تصویر از ردیف‌های کشت بدون وجود علف‌های هرز مورد بررسی قرار گرفت. سپس با انجام عملیات پردازش تصویر و پیاده‌سازی چندین الگوریتم مسیریابی (الگوریتم‌های مبتنی بر تبدیل هاف، تبدیل موجک، فیلتر گابور، رگرسیون خطی و الگوریتم پیشنهادی این مطالعه) بر روی تصاویر، به بررسی خروجی هر یک از این الگوریتم‌ها نسبت به مسیر ایده‌آل تعیین‌شده توسط کاربر پرداخته شد. پس از مقایسه‌ی دقیق مسیرهای تشخیص داده شده توسط الگوریتم‌های مختلف مسیریابی نسبت به مسیرهای ایده‌آل و با توجه به نتایج آزمون آماری t-test در سطح احتمال 5%، برتری روش‌های مسیریابی مورد مطالعه به‌ترتیب زیر مشخص گردید: روش پیشنهادی، روش فیلتر گابور، روش رگرسیون خطی، روش تبدیل هاف و روش تبدیل موجک. در نهایت الگوریتم پیشنهادی با بیشترین میزان انطباق نسبت به مسیر ایده‌آل (با میانگین خطای تشخیص 3.65 پیکسل) و کمترین مدت زمان اجرای عملیات (4.79 ثانیه) به‌عنوان مناسب‌ترین الگوریتم مسیریابی انتخاب و با استفاده از آن عملکرد یک ربات طراحی‌شده مورد ارزیابی قرار گرفت.

کلیدواژه‌ها

الگوریتم مسیریابی؛ پردازش تصاویر دیجیتال؛ تشخیص خط کشت؛ ریحان

مراجع

Astrand, B., & Baerveldt, A. J. (2005). A vision based row-following system for agricultural field machinery. Mechatronics, 15, 251-269. https://doi.org/10.1016/j.mechatronics.2004.05.005

Bossu, J., Gee, C., Jones, G., & Truchetet, F. (2009). Wavelet transform to discriminate between crop and weed in perspective agronomic images. Computers and Electronics in Agriculture, 65, 133-143. https://doi.org/10.1016/j.compag.2008.08.004

Chaki, J., & Parekh, R. (2012). Plant leaf recognition using Gabor filter. International Journal of Computer Applications, 56(10). https://doi.org/10.5120/8927-3000

Chen, J., Qiang, H., Wu, J., Xu, G., Wang, Z., & Liu, X. (2020). Extracting the navigation path of a tomato-cucumber greenhouse robot based on a median point Hough transform. Computers and Electronics in Agriculture, 174, 105472. https://doi.org/10.1016/j.compag.2020.105472

Choi, K. H., Han, S. K., Han, S. H., Park, K. H., Kim, K. S., & Kim, S. (2015). Morphology-based guidance line extraction for an autonomous weeding robot in paddy fields. Computers and Electronics in Agriculture, 113, 266-274. https://doi.org/10.1016/j.compag.2015.02.014

Dutta, M. K., Sengar, N., Kamble, N., Banerjee, K., Minhas, N., & Sarkar, B. (2016). Image processing based technique for classification of fish quality after cypermethrine exposure. LWT-Food Science and Technology, 68, 408-417. https://doi.org/10.1016/j.lwt.2015.11.059

Elstone, L., How, K. Y., Brodie, S., Ghazali, M. Z., Heath, W. P., & Grieve, B. (2020). High speed crop and weed identification in lettuce fields for precision weeding. Sensors, 20, 455. https://doi.org/10.3390/s20020455

Fontaine, V., & Crowe, T. (2006). Development of line-detection algorithms for local positioning in densely seeded crops. Canadian Biosystems Engineering, 48, 7.

Garcia-Santillan, I. D., Montalvo, M., Guerrero, J. M., & Pajares, G. (2017). Automatic detection of curved and straight crop rows from images in maize fields. Biosystems Engineering, 156, 61-79. https://doi.org/10.1016/j.biosystemseng.2017.01.013

Guerrero, J. M., Pajares, G., Montalvo, M., Romeo, J., & Guijarro, M. (2012). Support vector machines for crop/weeds identification in maize fields. Expert Systems with Applications, 39, 11149-11155. https://doi.org/10.1016/j.eswa.2012.03.040

Guerrero, J. M., Guijarro, M., Montalvo, M., Romeo, J., Emmi, L., Ribeiro, A., & Pajares, G. (2013). Automatic expert system based on images for accuracy crop row detection in maize fields. Expert Systems with Applications, 40, 656-664. https://doi.org/10.1016/j.eswa.2012.03.040

Hague, T., & Tillett, N. (2001). A bandpass filter-based approach to crop row location and tracking. Mechatronics, 11, 1-12. https://doi.org/10.1016/S0957-4158(00)00003-9

Han, Y., Wang, Y., & Kang, F. (2012). Navigation line detection based on support vector machine for automatic agriculture vehicle. International Conference on Automatic Control and Artificial Intelligence (ACAI 2012), (IET): https://doi.org/10.1049/cp.2012.1237

Hemming, J., & Rath, T. (2001). PA-Precision agriculture: Computer-vision-based weed identification under field conditions using controlled lighting. Journal of Agricultural Engineering Research, 78, 233-243. https://doi.org/10.1006/jaer.2000.0639

Jiang, G., Wang, X., Wang, Z., & Liu, H. (2016). Wheat rows detection at the early growth stage based on Hough transform and vanishing point. Computers and Electronics in Agriculture, 123, 211-223. https://doi.org/10.1016/j.compag.2016.02.002

Jones, G., Gee, C., & Truchetet, F. (2009). Modeling agronomic images for weed detection and comparison of crop/weed discrimination algorithm performance. Precision Agriculture, 10, 1-15. https://doi.org/10.1007/s11119-008-9086-9

Kanagasingham, S., Ekpanyapong, M., & Chaihan, R. (2020). Integrating machine vision-based row guidance with GPS and compass-based routing to achieve autonomous navigation for a rice field weeding robot. Precision Agriculture, 21, 831-855. https://doi.org/10.1007/s11119-019-09697-z

Kataoka, T., Kaneko, T., Okamoto, H., & Hata, S. (2003). Crop growth estimation system using machine vision. Pages b1079-b1083 vol. 1072. Proceedings 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM 2003): IEEE. https://doi.org/10.1109/AIM.2003.1225492

Kiani, S., & A. Jafari. (2012). Crop detection and positioning in the field using discriminant analysis and neural networks based on shape features. Journal of Agricultural Science and Technology, 755-765.

Kurmi, Y., Gangwar, S., Agrawal, D., Kumar, S., & Srivastava, H. S. (2021). Leaf image analysis-based crop diseases classification. Signal, Image and Video Processing, 15, 589-597. https://doi.org/10.1007/s11760-020-01780-7

Leemans, V., & Destain, M. F. (2006). Application of the Hough transform for seed row localisation using machine vision. Biosystems Engineering, 94, 325-336. https://doi.org/10.1016/j.biosystemseng.2006.03.014

Li, X., Lloyd, R., Ward, S., Cox, J., Coutts, S., & Fox, C. (2022). Robotic crop row tracking around weeds using cereal-specific features. Computers and Electronics in Agriculture, 197, 106941.

Lin, S., Jiang, Y., Chen, X., Biswas, A., Li, S., Yuan, Z., Wang, H., & Qi, L. (2020). Automatic detection of plant rows for a transplanter in paddy field using faster r-cnn. IEEE Access, 8, 147231-147240. https://doi.org/10.1109/ACCESS.2020.3015891

Lopez‐Granados, F. (2011). Weed detection for site‐specific weed management: mapping and real‐time approaches. Weed Research, 51, 1-11. https://doi.org/10.1111/j.1365-3180.2010.00829.x

Mahmud, M. S. A., Abidin, M. S. Z., Mohamed, Z., Abd Rahman, M. K. I., & Iida, M. (2019). Multi-objective path planner for an agricultural mobile robot in a virtual greenhouse environment. Computers and Electronics in Agriculture, 157, 488-499. https://doi.org/10.1016/j.compag.2019.01.016

Masuda, R., Fujimoto, S., Iida, M., & Suguri, M. (2013). A Method to Detect the Occurrence of Rice Plant Lodging Using Wavelet Transform. IFAC Proceedings Volumes, 46(18), 75-80. https://doi.org/10.3182/20130828-2-sf-3019.00048

Minaei, S., Mahdavian, A., & Banakar, A. (2015). Design and evaluation of a path detection algorithm in road images using Hough transform. Iranian Journal of Biosystems Engineering, 46, 85-93. (In Persian). https://doi.org/10.22059/IJBSE.2015.54340

Montalvo, M., Pajares, G., Guerrero, J. M., Romeo, J., Guijarro, M., Ribeiro, A., Ruz, J. J., & Cruz, J. (2012). Automatic detection of crop rows in maize fields with high weeds pressure. Expert Systems with Applications, 39, 11889-11897. https://doi.org/10.1016/j.eswa.2012.02.117

Nikolov, D. N., & Tsankova, D. D. (2018). Features extraction for pollen recognition using Gabor filters. Food Science and Applied Biotechnology, 1, 86-95. https://doi.org/10.30721/fsab2018.v1.i2.11

Palacin, J., & Martinez, D. (2021). Improving the Angular Velocity Measured with a Low-Cost Magnetic Rotary Encoder Attached to a Brushed DC Motor by Compensating Magnet and Hall-Effect Sensor Misalignments. Sensors, 21, 4763. https://doi.org/10.3390/s21144763

Ponnambalam, V. R., Bakken, M., Moore, R. J., Glenn Omholt Gjevestad, J., & Johan From, P. (2020). Autonomous crop row guidance using adaptive multi-roi in strawberry fields. Sensors, 20, 5249. https://doi.org/10.3390/s20185249

Rapacz, M., & Lazarz, R. (2020). Automatic extraction of leaf venation complex networks. ECAI, IOS Press, 1914-1921. https://doi.org/10.3233/FAIA200309

Rovira-Mas, F., Zhang, Q., Reid, J., & Will, J. (2005). Hough-transform-based vision algorithm for crop row detection of an automated agricultural vehicle. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 219, 999-1010. https://doi.org/10.1243/095440705X34667

Slaughter, D. C., Giles, D., & Downey, D. (2008). Autonomous robotic weed control systems: A review. Computers and Electronics in Agriculture, 61, 63-78. https://doi.org/10.1016/j.compag.2007.05.008

Søgaard, H. T., & Olsen, H. J. (2003). Determination of crop rows by image analysis without segmentation. Computers and Electronics in Agriculture, 38, 141-158. https://doi.org/10.1016/S0168-1699(02)00140-0

Tenhunen, H., Pahikkala, T., Nevalainen, O., Teuhola, J., Mattila, H., & Tyystjärvi, E. (2019). Automatic detection of cereal rows by means of pattern recognition techniques. Computers and Electronics in Agriculture, 162, 677-688. https://doi.org/10.1016/j.compag.2019.05.002

Thakral, S., & Manhas, P. (2018). Image processing by using different types of discrete wavelet transform. International Conference on Advanced Informatics for Computing Research: Springer 499-507. https://doi.org/10.1007/978-981-13-3140-4_45

Vidovic, I., Cupec, R., & Hocenski, Z. (2016). Crop row detection by global energy minimization. Pattern Recognition, 55, 68-86. https://doi.org/10.1016/j.patcog.2016.01.013

Vijayashree, T., & Gopal, A. (2015). Comparison procedure for the authentication of Basil (Ocimum tenuiflorum) leaf using image processing technique. In 2015 International Conference on Communications and Signal Processing (ICCSP) 0075-0078. IEEE. https://doi.org/10.1109/iccsp.2015.7322591

Vioix, J., Douzals, J., & Truchetet, F. (2004). Aerial detection and localization of weed by using multispectral and spatial approaches. AgEng2004, European Society of Agricultural Engineers, Leuven, Belgium, September: 12-16.

Winterhalter, W., Fleckenstein, F. V., Dornhege, C., & Burgard, W. (2018). Crop row detection on tiny plants with the pattern hough transform. IEEE Robotics and Automation Letters, 3(4), 3394-3401. https://doi.org/10.1109/lra.2018.2852841

Zhmud, V., Kondratiev, N., Kuznetsov, K., Trubin, V., & Dimitrov, L. (2018). Application of ultrasonic sensor for measuring distances in robotics. Journal of Physics: Conference Series: IOP Publishing, 3, 032189. https://doi.org/10.1088/1742-6596/1015/3/032189