%0 Journal Article %T تشخیص علف‌هرز چاودار از گیاه سیب‌زمینی با استفاده از پردازش ویدئو و هوش محاسباتی %J تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی %I موسسه تحقیقات فنی و مهندسی کشاورزی %Z 2476-4612 %A سبزی, سجاد %A عباسپور گیلانده, یوسف %A جوادی کیا, حسین %D 2019 %\ 06/22/2019 %V 20 %N 72 %P 1-18 %! تشخیص علف‌هرز چاودار از گیاه سیب‌زمینی با استفاده از پردازش ویدئو و هوش محاسباتی %K الگوریتم‌های فراابتکاری %K طبقه بند %K فیلم برداری %K قطعه بندی %K ماشین بینایی %R 10.22092/erams.2017.106915.1113 %X 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. %U https://amsr.areeo.ac.ir/article_113395_45c1686be2836b13c607c26216d782a5.pdf