شناسایی علف‌های هرز ذرت مبتنی بر تکنیک پردازش تصویر و شبکه‌های عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجو- پردیس کشاورزی و منابع طبیعی دانشگاه تهران

2 عضو هیئت علمی پردیس کشاورزی و منابع طبیعی دانشگاه تهران

چکیده

علف های هرز به صورت لکه ای در مزرعه سبز می شوند. سمپاشی لکه ای علف های هرز موجب کاهش مصرف علف کش ها، هزینه و آلودگی محیط زیست می گردد. فن آوریِ بینایی ماشین که در سمپاشی لکه ای به کار می‌رود، نیازمند تصویر و پردازش آن به منظور اتخاذ تصمیمات کنترلی است. شناسایی درست علف های هرز و طبقه بندی آنها، کلید اتخاذ تصمیمات کنترلی و اجرای عملیات سمپاشی است. در این تحقیق روشی مبتنی بر ترکیب پردازش تصویر برای جداسازی علف های هرز از سایر اجزای تصویر و شبکۀ عصبی مصنوعی برای طبقه بندی پیشنهاد شده است. علف های هرز شامل تاج خروس ریشه قرمز،سلمه تره، آفتاب پرست، تاج خروس خوابیده ، تاج ریزی سوروف و گاورس بودند. نتایج نشان داد که این الگوریتم با دقت قابل قبولی علف‌های هرز را از خاک جداسازی کرد. در گام بعد ویژگی‌های مرتبط با رنگ و شکل از علف های هرز استخراج شدند. سرانجام، به منظور طبقه‌بندی هفت کلاس علف‌هرز از روش شبکه عصبی مصنوعی پرسپترون با ساختار 7 -15-15-43 و میانگین دقت کل 71/88 درصد استفاده شد. نتایج حاصل از این مطالعه نشان می‌دهد که سامانه پیشنهادی توانایی تشخیص علف‌های هرز با دقت مناسب را دارد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Identification of weeds of corn based on image processing techniques and artificial neural networks

نویسندگان [English]

  • Abdol- Hossein Dashti 1
  • Mostafa Oveisi 2
  • Hamid Rahimian 2
  • Hassan Alizadeh 2
1 Phd student
2 University of Tehran +
چکیده [English]

Weeds normally grow in patches and spatially distributed in field. Patch spraying to control weeds has advantages of reduced cost, chemical saving and environmental pollution. Machine vision system has to obtain and process digital images to make control decisions. Proper identification and classification of weeds holds the key to make control decisions and use of any spraying operation performed. In this study, we develop a robust method based on image processing and computational intelligence for segmentation from other parts of image and classification of weeds. The weeds including large crabgrass, common lambsquarter, velvetleaf, common barnyard grass, European black nightshade, red-rooted pigweed and European heliotrope. The results showed that this algorithm was precisely separated weeds from the soil. In the next step, the feature vector, which includes shape features and color features, was composed. Finally, classification of seven classes of weeds was carried out by artificial neural network (ANN). Among different ANN structures, the 43-15-15-7 topology with accuracy of 88/71 % was the most optimum classifier. The results of this study indicate that the proposed system has the ability to accurately detect weeds.

کلیدواژه‌ها [English]

  • herbicide application
  • Patch spraying
  • Precision agriculture
  • Mechine vision
  • weed