سیدعلیرضا زمانی - دانشجوی کارشناسی ارشد، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی، بابل،
یاسر بالغی دماوندی - دانشیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی، بابل

وجود علف های هرز در زمین های کشاورزی موجب کاهش کمی و کیفی محصول خروجی خواهد شد. تاکنون، روش های مختلفی برای از بین بردن علف های هرز در زمین های کشاورزی مورد استفاده قرار گرفته است. یکی از مهم ترین و پر کاربردترین روش های وجین، وجین شیمیایی است. هدف از بکارگیری پردازش تصویر در وجین شیمیایی، اسپری دقیق علف کش بر روی علف های هرز به منظور کاهش هزینه های ناشی از تهیه علف کش ها، کاهش آلودگی های زیست محیطی و تولید محصولات ارگانیک است. این پژوهش به منظور قطعه بندی علف های هرز و گیاهان زراعی مزرعه هویج به کمک شبکه های عصبی پرسپترون چند لایه ( MLP ) و ماشین یادگیر افراطی ( ELM ) بر روی تصاویر یک پایگاه داده شامل 60 تصویر از مزرعه هویج انجام شده است. به منظور بهبود نتایج حاصل از قطعه بندی، از الگوریتم بهینه سازی ژنتیک به منظور انتخاب ویژگی های بهینه و انتخاب ساختارهای بهینه استفاده شده است. دقت طبقه بندی 91.84 % از شبکه عصبی پرسپترون چند لایه و دقت 90.2 % از ماشین یادگیری افراطی در قطعه بندی گیاهان زراعی هویج از علف های هرز حاصلشد. با مقایسه نتایج بدست آمده در این پژوهش با نتایج بدست آمده در پژوهش های پیشین برر روی این پایگاه داده، صحت عملکرد به میزان 5.94 % افزایش یافته است.

کشاورزی دقیق، پرسپترون چند لایه، ماشین یاد گیر افراطی، ادگوریتم ژنتیک، تبدیل موجک