تشخیص دو نوع علف‌‌هرز با استفاده از سیستم بینایی ماشین در راستای استفاده در سم‌پاشی خاص مکانی

ماشین های کشاورزی

مقاله 2، دوره 8، شماره 1 - شماره پیاپی 15، 1397، صفحه 15-29   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v8i1.60647

نویسندگان

سجاد سبزی¹؛ یوسف عباسپور گیلانده^{* 1}؛ حسین جوادی کیا²

¹گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

²گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه رازی، کرمانشاه، ایران

چکیده

مبارزه هدفمند با علف‌‌های هرز یکی از اهداف اصلی در کشاورزی دقیق می‌باشد. یکی از روش‌هایی که مبارزه هدفمند را اجرایی می‌کند استفاده از سیستم‌های بینایی ماشین می‌باشد. به‌همین دلیل در این مطالعه یک سیستم بینایی ماشین مبتنی بر طبقه‌بند هیبرید شبکه عصبی مصنوعی– الگوریتم شبیه‌سازی تبرید-الگوریتم ژنتیک به‌منظور سم‌پاشی خاص مکانی براساس فیلم‌برداری در مزرعه ارائه گردید. به‌منظور آموزش الگوریتم سیستم ‌بینایی ماشین، فیلم‌برداری از مزارع سیب‌زمینی رقم مارفونا واقع در استان کرمانشاه که در هفته ششم از مرحله رشد بودند انجام گرفت. مساحت مربوط‌ به این مزارع 4 هکتار بود. در این مزارع دو نوع علف‌ هرز با عناوین گل‌گندم و پنیرک وجود داشتند. به‌منظور بررسی پیچیده‌ترین شرایط کاری سیستم بینایی ماشین، پلتفرم با سرعت 103/0 متر بر ثانیه در شرایط نور طبیعی مزرعه‌ای یعنی شدت نور 1820 لوکس فیلم‌های مزرعه‌ای را جمع‌آوری کرد. در نهایت از ویدئوهای مزرعه‌ای 2581 شی‌ء (به پیکسل‌های به‌هم پیوسته در یک فریم شیء گفته می‌شود) استخراج گردید که 1806 شیء جهت آموزش الگوریتم سیستم بینایی ماشین و 775 شیء باقیمانده جهت تست آن مورد استفاده قرار گرفت. از میان 206 خصوصیت استخراجی از هر شی، 6 خصوصیت مولفه دوم اضافی در فضای رنگی YCbCr، شاخص سبز منهای آبی فضای رنگی RGB، مجموع آنتروپی همسایگی 45 درجه، مومنت قطری همسایگی صفر درجه، آنتروپی همسایگی 45 درجه، شاخص مؤلفه سوم اضافی فضای رنگی CMY با استفاده از روش هیبرید ANN-PSO انتخاب شدند. نتایج نشان داد که سیستم طبقه‌بند با دقت 61/99 درصد قادر به طبقه‌بندی نمونه‌های مربوط ‌به سه کلاس گیاه سیب‌زمینی، گل‌گندم و پنیرک می‌باشد.

کلیدواژه‌ها

بینایی ماشین؛ پردازش ویدئو؛ طبقه‌بندی؛ قطعه‌بندی؛ علف‌هرز

مراجع

1. Aakif, A., and M. F. FaisalKhan. 2015. Automatic classification of plants based on their leaves. Biosystem Engineering 139: 66-75.

2. Asaei, H., A. Jafari, and M. Loghavi. 2016. Development and evaluation of a targeted orchard sprayer using machine vision technology. Journal of Agricultural Machinery 6 (2): 362-375. (In Farsi).

3. Gianessi, L. P., and N. P. Reigner. 2007. The value of herbicides in U.S. crop production. Weed Technology 21 (2): 559-566.

4. Golzarian, M. R., and R. A. Frick. 2011. Classification of images of wheat, ryegrass and brome grass species at early growth stages using principal component analysis. Plant Methods 7 (1): 7-28.

5. Gonzalez, R. C., R. E. Woods, and S. L. Eddins. 2004. Digital Image Processing Using MATLAB. Prentice Hall.

6. Hlaing, S. H., and A. S. Khaing. 2014. Weed and crop segmentation and classification using area thresholding. International Journal of Research in Engineering and Technology 3: 375-382.

7. Kataoka, T., T. Kaneko, H. Okamoto, and S. Hata. 2003. Crop growth estimation system using machine vision. in Proceedings of IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM).

8. Kazmi, W., F. J. Garcia-Ruiz, J. Nielsen, J. Rasmussen, and H. J. Andersen. 2015. Detecting creeping thistle in sugar beet fields using vegetation indices. Computers and Electronics in Agriculture 112: 10-19.

9. Meyer, G. E., and J. A. C. Neto. 2008. Verification of color vegetation indices for automated crop imaging applications. Computer and Electronic in Agriculture 63 (2): 282-293.

10. Meyer, G. E., T. Mehta, M. F. Kocher, D. A. Mortensen, and A. Samal. 1998. Textural imaging and discriminant analysis for distinguishing weeds for spot spraying. Transactions of the ASAE 41 (4): 1189-1197.

11. Monaco, T. J., and A. S. Grayson, and D. C. Sanders. 1981. Influence of four weed species on the growth, yield, and quality of direct-seeded tomatoes (Lycopersicon esculentum). Weed Science 29 (4): 394-397.

12. Pantazi, X. E., D. Moshou, and C. Bravo. 2016. Active learning system for weed species recognition based on hyperspectral sensing. Biosystems engineering xxx, ARTICLE IN PRESS.

13. Pereira, L. A. M., R. Y. M. Nakamura, G. F. S. d. Souza, D. Martins, and J. P. Papa. 2012. Aquatic weed automatic classification using machine learning techniques. Computers and Electronics in Agriculture 87: 56-63.

14. Rohani, A., and H. Makarian. 2011. Preparation weed management maps using artificial neural networks aimed application at Precision Agriculture. Journal of Agricultural Machinery Engineering 1: 74-83. (In Farsi).

15. Tang, J. L., X. Q. Chen, R. H. Miao, and D. Wang. 2016. Weed detection using image processing under different illumination for site-specific areas spraying. Computers and Electronics in Agriculture 122: 103-111.

16. Woebbecke, D., G. E. Meyer, K. V. Bargen, and D. A. Mortensen. 1995. Color indices for weed identification under various soil, residue, and lighting conditions. Transactions of the ASAE 38 (1): 259-269.

17. Woebbecke, D. M., G. E. Meyer, K. V. Bargen, and D. A. Mortensen. 1992. Plant species identification, size, and enumeration using machine vision techniques on near-binary images. Optics in Agriculture and Forestry 1836: 208-219.