تخمین تراکم گیاهچه‌های کلزا در مرحله دوبرگی برمبنای پردازش تصویر و با استفاده از ترکیب الگوریتم‌های مدل مخلوط گوسی و خوشه‌بندی نزدیک‌ترین همسایگی

رضائی, علیرضا; خلیلی, سید مرتضی; اسدپور, میلاد

doi:10.22092/amsr.2021.354218.1381

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیار، آزمایشگاه روبات های سیار هوشمند، گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، تهران، ایران

² کارشناسی ارشد، گروه بین رشته ای فناوری، بخش مکاترونیک و ممز،دانشکده علوم و فنون نوین،دانشگاه تهران، تهران،تهران، ایران

³ دانشجوی کارشناسی ارشد، گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین،دانشگاه تهران، تهران،تهران، ایران

https://doi.org/10.22092/amsr.2021.354218.1381

چکیده

امروزه با گسترش کشاورزی صنعتی استفاده از علوم و فنون نوین مانند هوش مصنوعی در افزایش بهره‌وری محصولات و هوشمندسازی روش‎‌های کشاورزی نقش به سزایی دارد. از جمله این روش‌ها می‌توان به تخمین تراکم گیاهچه‌ها با استفاده از روش‌های پردازش تصویر اشاره کرد. این امر علاوه بر کمک به مدیریت زمین‌های کشاورزی در ارزیابی میزان کود و مواد شیمیایی و تعیین فضای مورد نیاز انبارداری نیز تاثیرگذار است. در این مقاله روش جدیدی برای تخمین تراکم گیاهچه‌های کلزا در مرحله دوبرگی پیشنهاد شد. ابتدا از مزرعه‌ کلزا در مرحله دوبرگی واقع در روستای محمدآباد قزوین تصاویری تهیه شد؛ سپس مدل مخلوط گوسی به همراه الگوریتم بیشینه‌سازی امید ریاضی برای بخش‌بندی تصاویر و الگوریتم خوشه‌بندی نزدیک‌ترین همسایگی و عملگرهای ریخت‌شناسی برای شمارش تعداد گیاهچه‌ها موجود در تصاویر استفاده شده است. تعداد گیاهچه‌های کلزای موجود در تصاویر به روش دستی نیز محاسبه شد و به‌عنوان مقادیر مرجع برای ارزیابی عملکرد الگوریتم پیشنهادی، مورداستفاده قرار گرفت. نتایج حاصل از روش پیشنهادی، دارای همبستگی "R=0.96" با روش شمارش دستی و دارای دقت 96.5 درصد است. روش پیشنهادی در مقایسه با روش های متداول گذشته مانند روش شاخص تفاوت نرمال و روش آستانه گذاری اوتسو عملکرد بهتری دارد. همچنین باوجود اینکه تصاویر در شرایط محیطی متفاوت و با شدت نورهای مختلف اخذ شدند، میزان خطای روش پیشنهادی برای تصاویر مورداستفاده تنها کمتر از چهار درصد بود که کارایی روش ارائه‌شده را در تخمین تراکم کلزا نشان می‌دهد. لذا از روش پیشنهادی می‌توان در تخمین گیاهچه‌های کلزا به صورت عملی در زمین‌های کشاورزی استفاده نمود.

کلیدواژه‌ها

مراجع

Bairwa, N., Agrawal, N. K., & Gupta, S. (2017). Development of counting algorithm for overlapped agricultural products. International Journal of Computer Applications, 975, 16-19.

Bishop, C. M. (2006). Pattern recognition and machine learning. eBook, Springer.

Carré, P., & Pouzet, A. (2016). Rapeseed market, worldwide and in Europe. Ocl, 21(1), D102- D113.

Chabok, F., Rezaee, A., & Asadpour, M. (2021). Sensor data fusion for positioning of agriculture mobile robotusing dempster-shafer method. Agricultural Mechanization and Systems Research, 22(78), 89-106.

Cordill, C., & Grift, T. E. (2016). Design and testing of an intra-row mechanical weeding machine for corn. Biosystems Engineering, 110(3), 247-252.

Dorj, U. O., Lee, M., & Lee, K. K. (2018). A computer vision algorithm for tangerine yield estimation. International Journal of Bio-Science and Bio-Technology, 5(5), 101-110.

Ehlert, D., Adamek, R., & Horn, H. J. (2013). Vehicle based laser range finding in crops. Sensors, 9(5), 3679-3694.

Karbasi, A., Mohammadzade, S., & Hendizade, H. (2019). Analysis of effective factors on increasing the area under rapeseed cultivation in rural areas. Journal of Space Economics and Rural Development, 8(3), 187-202.

Lenaerts, B., Craessaerts, G., Baerdemaeker, J. D., & Saeys, W. (2015). Crop stand density prediction using LIDAR-sensors. Proceedings of the Agricultural and biosystems engineering for a sustainable world. International Conference on Agricultural Engineering, 23-25 June, 2008. European Society of Agricultural Engineers (AgEng). Hersonissos, Crete, Greece.

Maertens, K., Reyns, P., De Clippel, J., & De Baerdemaeker, J. (2003). First experiments on ultrasonic crop density measurement. Journal of sound and Vibration, 266(3), 655-665.

Mavaddati, S. (2021). Rice classification with fractal-based features based on sparse structured principal component analysis and Gaussian mixture model. Journal of AI and Data Mining. 9(2), 235-244.

Payne, A. B., Walsh, K. B., Subedi, P. P., & Jarvis, D. (2019). Estimation of mango crop yield using image analysis–segmentation method. Computers and Electronics in Agriculture, 91, 57-64.

Rezaei, Y., Rezaee, A., Darakeh, F., & Azarakhsh, Z. (2021). Classification of polarimetric radar images based on SVM and BGSA. Signal and Data Processing, 18(1) :102-87. (in Persian)

Wang, Q., Nuske, S., Bergerman, M., & Singh, S. (2013). Automated crop yield estimation for apple orchards. Proceedings of the The 13^th International Symposium on Experimental Robotics, June 18-21. Québec City, Canada.

Wang, Z., Ritou, M., Da Cunha, C., & Furet, B. (2020). Contextual classification for smart machining based on unsupervised machine learning by Gaussian mixture model. International Journal of Computer Integrated Manufacturing, 33(10-11), 1042-1054.

Yamamoto, K., Guo, W., Yoshioka, Y., & Ninomiya, S. (2017). On plant detection of intact tomato fruits using image analysis and machine learning methods. Sensors, 14(7), 12191-12206.

Zeng, S., Huang, R., Kang, Z., & Sang, N. (2014). Image segmentation using spectral clustering of Gaussian mixture models. Neurocomputing, 144, 346-356.

تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی

تخمین تراکم گیاهچه‌های کلزا در مرحله دوبرگی برمبنای پردازش تصویر و با استفاده از ترکیب الگوریتم‌های مدل مخلوط گوسی و خوشه‌بندی نزدیک‌ترین همسایگی

مراجع

مراجع

دوره 22، شماره 80 - شماره پیاپی 80
اسفند 1400
صفحه 33-50

تخمین تراکم گیاهچه‌های کلزا در مرحله دوبرگی برمبنای پردازش تصویر و با استفاده از ترکیب الگوریتم‌های مدل مخلوط گوسی و خوشه‌بندی نزدیک‌ترین همسایگی

مراجع

مراجع

دوره 22، شماره 80 - شماره پیاپی 80اسفند 1400صفحه 33-50

دوره 22، شماره 80 - شماره پیاپی 80
اسفند 1400
صفحه 33-50