| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,196 |
| تعداد مقالات | 35,423 |
| تعداد مشاهده مقاله | 52,241,104 |
| تعداد دریافت فایل اصل مقاله | 91,774,545 |
تشخیص علفهرز چاودار از گیاه سیبزمینی با استفاده از پردازش ویدئو و هوش محاسباتی | ||
| تحقیقات سامانهها و مکانیزاسیون کشاورزی | ||
| مقاله 2، دوره 20، شماره 72، تیر 1398، صفحه 1-18 اصل مقاله (1.38 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2017.106915.1113 | ||
| نویسندگان | ||
| سجاد سبزی1؛ یوسف عباسپور گیلانده* 2؛ حسین جوادی کیا3 | ||
| 1دانشجوی دکتری گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 2استاد گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 3استادیار گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران | ||
| چکیده | ||
| علف هرز بهدلیل رقابت با محصولات کشاورزی برایدستیابی به آب، مواد مغذی، نور خورشید و . . . باید از مزرعه حذف شود. روشهای مختلفی برای مبارزه با علفهای هرز وجود دارد مانند روشهای مکانیکی، دستی و استفاده از علفکشها که در میان کشاورزان، امروزه کاربرد علفکشها رایجتر است اما این کار بهدلیل استفادۀ یکسان در کل مزرعه، به آلودگی زیست محیطی انجامیده است. در این مطالعه، یک سیستم ماشین بینایی مبتنی بر پردازش ویدئو بهمنظور شناسایی علفهرز چاودار از گیاه سیبزمینی جهت پاشش بهینۀ علفکش پیشنهاد شده است. پس از فیلمبرداری، پیشپردازش و قطعهبندی، 965 شیء شناسایی شد. از هر شیء، 14 خصوصیت استخراج شد. با استفاده از روش فراابتکاری هیبرید شبکۀ عصبی مصنوعی – الگوریتم ژنتیک از میان 14 خصوصیت استخراجی، 6 خصوصیت میانگین، ممان سوم، خودهمبستگی، همبستگی، عدم تشابه و آنتروپی بهعنوان خصوصیات موثر انتخاب شدند. کل دادهها به دو دسته تقسیم شدند: دادههای آموزش (70 درصد کل دادهها) و دادههای تست و اعتبارسنجی (30 درصد کل دادهها). با استفاده از طبقهبند هیبرید شبکۀ عصبی - مصنوعی – الگوریتم مبتنی بر جغرافیای زیستی، طبقهبندی انجام گرفت. با دو روش تحلیل ماتریس اغتشاش و بررسی نمودار ROC، عملکرد سیستم طبقهبند ارزیابی شد. سه معیار حساسیت، دقت و ویژگی با استفاده از ماتریس اغتشاش محاسبه شد. نتایج تحقیق نشان میدهد که میزان حساسیت، دقت و ویژگی سیستم طبقهبند بهترتیب بالای 99، 99 و 98 درصد است. میتوان نتیجه گرفت که امکان ساخت سیستم ماشین بینایی با هدف ذکر شده که بهصورت برخط کار میکند وجود خواهد داشت. | ||
| کلیدواژهها | ||
| الگوریتمهای فراابتکاری؛ طبقه بند؛ فیلم برداری؛ قطعه بندی؛ ماشین بینایی | ||
| عنوان مقاله [English] | ||
| Recognition of Secale Cereal L Weed from Potato Plant using Video Processing and Computational Intelligence | ||
| نویسندگان [English] | ||
| Sajad Sabzi1؛ Yousef Abbaspour-Gilande2؛ Hosein Javadikia3 | ||
| 1Ph. D. Student of Biosystem Engineering, University of Mohaghegh Ardabili | ||
| 2Professor, Biosystem Engineering, University of Mohaghegh Ardabili | ||
| 3Assistant Professor, Razi University of Kermanshah | ||
| چکیده [English] | ||
| The weeds must be removed from the field due to their competition with principal crops to use water, nutrients, sunlight, etc. There are different methods to remove the weeds: mechanically, manually or chemically (applying herbicides). For farmers, applying herbicides is a usual way, but brings some concerns, from the point of environmental issues, due to equal application of chemicals all over fields, regardless the presence or absence of weed. For this reason, a machine vision system based on video processing was proposed to recognize Secale cereale L. (as a weed) from potato plant (as principal crop) to make herbicide application more accurate. Nine hundred sixty five objects were recognized after taking videos, pre-processing and segmentation. Fourteen features were extracted from each object. Using the hybrid artificial neural network-genetic algorithm, of 14 extracting features, only 6 features were selected as effective ones: average, the third moment, autocorrelation, correlation, dissimilarity, and entropy. Data were classified into two groups: training data (70% of the total data) and testing data (30% of the total data). The classification was performed using hybrid of artificial neural network - Bio-geography Based Optimization (BBO) algorithm. Performance of classification system was evaluated through analysis of confusion matrix and Receiver Operating Characteristic (ROC). Sensitivity, specificity, and accuracy were calculated using confusion matrix. The results showed that the sensitivity, accuracy and specificity of classification system reached to an acceptable level: 99.49 %, 99.65% and 98.91%, respectively. Our conclusion is that it is possible to manufacture the machine vision system with mentioned aims that work as online. | ||
| کلیدواژهها [English] | ||
| Machine Vision, Meta-Heuristic Algorithms, Precision Farming, Video Processing, Weeds | ||
| مراجع | ||
|
Abouelatta, O. B. 2013. Classification of copper alloys microstructure using image processing and neural network. J. Am. Sci. 9, 213-222.
Ahmed, F., Al-Mamun, H. A., Bari, A. S. M. H., Hossain, E. and Kwan, P. 2012. Classification of crops and weeds from digital images: A support vector machine approach. Crop Prot. 40, 98-104.
Arribas, J. I., Sánchez-Ferrero, G. V., Ruiz-Ruiz, G. and Gómez-Gil, J. 2011. Leaf classification in sunflower crops by computer vision and neural networks. Comput. Electron. Agric. 78, 9-18.
Gebejes, A. and Huertas, R. 2013. Texture characterization based on grey-level co-occurrence matrix. The 2nd International Conference on Informatics and Management Sciences. March 25-29, Žilina, Slovakia.
Gonzalez, R. C., Woods, R. E. and Eddins, S. L. 2004. Digital Image Processing Using MATLAB. Prentice Hall.
Ma, Q., Zhu, D., Liu, J., Xiong, W. and Chen, H. 2013. Intra-row weed detection method in field based on texture and color feature. Adv. Inform. Sci. Ser. Sci. 5(8): 806-812.
Marques, O, 2011. Practical Image and Video Processing Using Matlab. Hoboken, New Jersey: John Wiley & Sons, Inc.
Naeem, A. M., Ahmad, I. and Islam, M. 2007. Weed classification using two dimensional weed
Persson, M. and Astrand, B. 2008. Classification of crops and weeds extracted by active shape models. Biosyst. Eng. 100, 484-497.
Shidnal, S. 2014. A texture feature extraction of crop field images using GLCM approach. Int. J. Sci. Eng. Adv. 2, 1006-1011.
Simon, D. 2008. Biogeography-based optimization. IEEE Trans. Evol. Comput. 12, 702-713.
Wisaeng, K. 2013. A comparison of decision tree algorithms for UCI repository classification. Int. J. Eng. Trends Technol. 4, 3393-3397.
Wong, W. K., Chekima, A., Mariappan, M., Khoo, B. and Nadarajan, M. 2014. Genetic algorithm tuned SVM classifier for weed species recognition. Int. J. Comput. Sci. Trends Technol. 2, 24-30.
Wu, L. and Wen, Y. 2009. Weed/corn seedling recognition by support vector machine using texture features. Af. J. Agric. Res. 4, 840-846. | ||
|
آمار تعداد مشاهده مقاله: 1,133 تعداد دریافت فایل اصل مقاله: 630 |
||