استفاده از تکنیک ماشین بینایی برای تشخیص علف هرز در مزرعه سیب زمینی

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 163

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ERAMS-18-68_002

تاریخ نمایه سازی: 3 دی 1401

چکیده مقاله:

فناوری ماشین بینایی میتواند به عنوان سامانهای برای تشخیص موقعیت تودههای علف هرز در سطح مزرعه در حین حرکت ماشین، به منظور کاهش مصرف سموم شیمیایی استفاده شود. در این تحقیق عوامل موثر بر دقت و کارایی سامانه پردازش تصویر در تشخیص علف هرز از گیاه اصلی بر مبنای ویژگیهای رنگی گیاه بررسی شد. اثر سه عامل شرایط نوری محیط، مرحله رشد گیاه اصلی و نوع علف هرز بر میزان خطا در تشخیص گیاه اصلی (سیب زمینی) از پنج نوع علف هرز شلمبیگ، پیچک، گندم، کنگر وحشی و آتریپلکس بررسی شد. نتایج نشان داد که بین دو شرایط نورپردازی آفتابی و تصویربرداری در سایه تفاوت معنیداری در میزان دقت تشخیص وجود ندارد. اما تاثیر دو عامل نوع علف هرز و مرحله رشد بطور قابل ملاحظهای بر عملکرد سیستم تشخیص معنیدار بود. بطوریکه بهترین زمان برای تصویربرداری، اولین مرحله رشد محصول سیب زمینی است (اوایل تیر ماه) و در بین پنج نوع علف هرز نیز میتوان شلمبیگ را با دقت قابل قبولی صرفا بر اساس مدل رنگی RGB از گیاه اصلی متمایز نمود. در این روش امکان تعیین موقعیت مراکز ثقل تودههای علف هرز بصورت دکارتی نسبت به صفحه تصویر با دقت بیشینه ۹۵% بسته به شرایط مختلف تیماری امکانپذیر است.

نویسندگان

امیرحسین افکاری سیاح

هیئت علمی گروه مهندسی بیوسیستم دانشگاه محقق اردبیلی

حمیدرضا محمددوست چمن آباد

عضو هیئت علمی گروه زراعت و اصلاح نباتات دانشگاه محقق اردبیلی

منصور راسخ

عضو هیئت علمی گروه مهندسی بیوسیستم دانشگاه محقق اردبیلی

مهساسادات رضوی

دانشجوی دکترا مهندسی بیوسیستم دانشگاه محقق اردبیلی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Anon, ۲۰۰۸. Image processing toolbox ۶. User’s Guide. The MathWorks, ...
  • Blasco, J., Aleixos, N., Roger, J. M., Rabatel, G. and ...
  • Bosch, A., Munoz, X. and Freixenet, J. ۲۰۰۷. Segmentation and ...
  • Burgos-Artizzu, X. P., Ribeiro, A., Guijarro, M. and Pajares, G. ...
  • Chen, Y. R., Chao, K. and Kim, M. S. ۲۰۰۲. ...
  • Gerhard, R. and Christensen, S. ۲۰۰۳. Real-time weed detection, decision ...
  • Gonzales, R. C. and Woods, R. E. ۱۹۹۲. Digital Image ...
  • Hemming, J. and Rath, T. ۲۰۰۱. Precision agriculture: computer-vision-based weed ...
  • Jafari, A., Eghbali-Jahromi, H., Mohtasebi, S. S. and Omid, M. ...
  • Lee, W., Slaughter, D. and Giles, D. ۱۹۹۹. Robotic weed ...
  • Pérez, A. J., López, F., Benlloch, J. V. and Christensen, ...
  • Slaughter, D. C., Giles, D. K. and Downey, D. ۲۰۰۸. ...
  • Storkey, J., Cussans, J. W. and Lutman, P. J. W. ...
  • Tellaeche, A., BurgosArtizzu, X. P., Pajares, G., Ribeiro, A. and ...
  • Thorp, K. and Tian, L. ۲۰۰۴. A review on remote ...
  • ۵, ۴۷۷-۵۰۸ ...
  • Vesali, S. and Komarizadeh, M. H. ۲۰۱۰. Designing a vision ...
  • Zayas, I., Pomeranz, Y. and Lai, F. S. ۱۹۸۹. Discrimination ...
  • نمایش کامل مراجع