تشخیص علف‌هرز چاودار از گیاه سیب‌زمینی با استفاده از پردازش ویدئو و هوش محاسباتی

نوع مقاله: مقاله پژوهشی

نویسندگان

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

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

3 استادیار گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران

چکیده

علف‌ هرز به­دلیل رقابت با محصولات کشاورزی برایدستیابی‌به 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


 
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
coverage Rate (2D-WCR) for real-time selective herbicide applications. World Acad. Sci. Eng. Technol. 25, 335-339.
 
 
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.