توسعه الگوریتم هرس بوته انگور جهت به‌کارگیری در ماشین‌های هرس هوشمند

ماشین های کشاورزی

مقاله 1، دوره 7، شماره 2 - شماره پیاپی 14، 1396، صفحه 323-335   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v7i2.52617

نویسندگان

سید مهدی حسینی¹؛ عبدالعباس جعفری^{* 2}

¹گروه مکانیک بیوسیستم، دانشگاه شهرکرد، شهرکرد، ایران

²گروه مکانیک بیوسیستم، دانشگاه شیراز، شیراز، ایران

چکیده

استفاده از ماشین‌های هرس هوشمند می‌تواند باعث کاهش نیروی کار موردنیاز برای هرس تاکستان ها گردد. در این مقاله تلاش گردیده است الگوریتمی ارائه شود که با استفاده از روش‌های پردازش تصویر و فن استریوویژن قادر باشد نقاطی از بوته انگور را که در حین هرس باید قطع گردند مشخص کند. پس از تهیه تصویرها به روش استریوویژن، از آن ها به‌عنوان ورودی الگوریتم استفاده شد. در اولین مرحله، فاصله بوته ها از دوربین ها محاسبه گردید. سپس شاخه هایی که ضخامت آن‌ها کم بود از تصاویر حذف شدند و تنه اصلی مشخص گردید. در ادامه بر اساس قطر شاخه ها، شاخه‌های یک‌ساله مشخص و با در نظر گرفتن پارامترهای هرس، این شاخه ها هرس شدند. در مرحله نهایی با برچسب‌گذاری شاخه‌های حذف‌شده در مراحل مختلف نقاط قطع شاخه‌ها مشخص گردید. نتایج ارزیابی الگوریتم نشان داد که در همه تصاویر مورد استفاده شاخه های یک‌ساله به‌درستی توسط الگوریتم مشخص‌شده بودند و در بین 254 نقطه قطع استخراج‌شده از 20 تصویر، درمجموع 7 نقطه هرس به‌اشتباه تشخیص داده شده بود. این نتایج نشان می‌دهد که دقت الگوریتم نوشته شده برابر با 96/8 درصد است.

کلیدواژه‌ها

استریوویژن؛ بوته انگور؛ پردازش تصویر؛ هرس

مراجع

1. Ashraf, A. F. 2013. Stereo vision depth estimation algorithm in uncalibrated rectification. International Journal of video & image processing and network security 13: 1-7.

2. Bian, X., X. Su, and W. Chen. 2011. Analysis on 3D object measurement based on fringe projection. International Journal for Light and Electron Optics 122: 471-474.

3. Bouguet, J. Y. 2015. Camera Calibration Toolbox for Matlab. Computational Vision at the California Institute of Technology. Available at: http://www.vision .caltech.edu/bouguetj/calib_doc/. Accessed 10 March 2015.

4. Burie, J. C., J. L. Bruyelle., and J. G. Postaire. 1995. Detecting and localising obstacles in front of a moving vehicle using linear stereovision. Mathematical and Computer Modelling 22: 235-246.

5. Dogi, B. 2005. Stereo Vision: A way of metering and metering systems overcome the problems in the current. Journal of Mechanical Engineering.

6. Faugeras, O. 1995. Stratification of three-dimensional vision: projective, affine, and metric representations. Journal of the Optical Society of America A 12: 465-484.

7. Guang-Hua, F., L. Xue-Mei, Ch. Yan-Fu, and Y. Jin. 2015. Fast-growing forest pruning robot structure design and climbing control. Advances in Manufacturing 3: 166-172.

8. Heydari, A. R. 2010. Image Processing in MATLAB. BehAvaran Publisher. 288pages. (In Farsi).

9. Khajehei, M. 2003. New method of planting vine. Alhora publications. Tehran. )In Farsi(.

10. Kitamura, S., K. Oka, and F. Takeda. 2005. Development of picking robot in greenhouse horticulture. Nippon Kikai Gakkai Robotikusu. Mekatoronikusu Koenkai Koen Ronbunshu 1: 3176-3179.

11. Kohan, A., A. M. Borghaee, M. Yazdi, S. Minaei, and M. J. Sheykhdavudi. 2011. Robotic Harvesting of Rosa Damascena Using Stereoscopic Machine Vision. World Applied Sciences Journal 12 (2): 231-237.

12. Kriegman, D. J., E. Triendl, and T. O. Binford. 1989. Stereo vision and navigation in buildings for mobile robots. IEEE Transactions Robotics Automation 5: 792-803.

13. Maghsodi, Sh. 2008. Grape technology and processing. Elme keshavarzie Iran publications. Tehran. (In Farsi).

14. Mao, W., J. Baoping, X. Zhang, J. Zhan, and H. Xiaoan. 2009. Apple location method for the apple harvesting robot. Image and Signal Processing 1-5.

15. Mudenagudi, U., and S. Chaudhuri. 1999. Depth estimation using defocused stereo image pairs. Computer Vision 1: 483-488.

16. Nalpantidis, L., and A. Gasteratos. 2010. Stereo vision for robotic applications in the presence of non-ideal lighting conditions. Image and Vision Computing 28: 940-951.

17. Porika, H., M. Jagadeesha, and M. Suchithra. 2015. Effect of pruning severity on quality of grapes Cv. red globe for summer season. Advances in crop science and technology S1-400.

18. Poyton, C. A. 1996. Probability, Random Variables, and Random Signal Principles. 3rd ed., McGraw-Hill, New York.

19. Soni, D. P., M. Ranjana, N. A. Gokul, S. Swaminathan, and B. B. Nair. 2010. Autonomous arecanut tree climbing and pruning robot. International Conference on Emerging Trends in Robotics and Communication Technologies. Chennai, India.

20. Stereo Calibration App. 2015. Available at: http:// www.mathworks.com/ help/ vision/ug/stereo-camera-calibrator-app.html. Accessed 19 January 2015.

21. Su, X., Q. Zhang, and L. Xiang. 2008. Optical 3D shape measurement for dynamic process. Optoelectronics Letters 4: 55-58.

22. Vannucci, D., E. Cini, A. Cioni, and M. Vmmi. 1990. A prototype for the fully mechanized Journal of Agricultural Engineering Research 46: 1-11.