- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,727 |
| تعداد مقالات | 31,056 |
| تعداد مشاهده مقاله | 28,290,630 |
| تعداد دریافت فایل اصل مقاله | 16,268,284 |
استفاده از تکنیک ماشین بینایی برای تشخیص علف هرز در مزرعه سیب زمینی | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقاله 3، دوره 18، شماره 68، شهریور 1396، صفحه 17-30 اصل مقاله (1.13 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2017.105458.1065 | ||
| نویسندگان | ||
| امیرحسین افکاری سیاح* 1؛ حمیدرضا محمددوست چمن آباد2؛ منصور راسخ3؛ مهساسادات رضوی4 | ||
| 1هیئت علمی گروه مهندسی بیوسیستم ـ دانشگاه محقق اردبیلی | ||
| 2عضو هیئت علمی گروه زراعت و اصلاح نباتات ـ دانشگاه محقق اردبیلی | ||
| 3عضو هیئت علمی گروه مهندسی بیوسیستم ـ دانشگاه محقق اردبیلی | ||
| 4دانشجوی دکترا مهندسی بیوسیستم ـ دانشگاه محقق اردبیلی | ||
| چکیده | ||
| 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 تأثیر 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. | ||
| کلیدواژه‌ها | ||
| تشخیص؛ علف هرز؛ مدل رنگی؛ ماشین بینایی | ||
| عنوان مقاله [English] | ||
| Application of Machine-Vision Technique for Identification of Weeds in Potato Fields | ||
| نویسندگان [English] | ||
| Amir Hossein Afkari Sayyah1؛ Hamid Reza Mohammad Doust Chaman Abad2؛ Mansour Rasekh3؛ Mahsa Sadat Razavi4 | ||
| چکیده [English] | ||
| Machine vision technology can be used to detect the location of weeds around the main crop in a field as the machine moves, in order to decrease the losses of using herbicides. The purpose of this research is to determine the accuracy of image processing method in discriminating weeds from potato crop according to color features. Therefore, by performing a research which conducted in university of Mohaghegh Ardabili research field, three factors including: environmental light condition, type of weed (Shalambig, Pichack and Wheat), and level of crop growth, were investigated on discrimination accuracy. The results of this research were showed that there are no significant differences between two types of environmental light conditions. However, the main and interactive effects of two factors of type of weeds and level of crop growth was significant on discriminating system performance. According to this study, the first stage of crop growth is the best time for the visual tests (middle of the June) and among the three types of popular weed in the region, it is possible to discriminate the wheat from potato leaves with a reasonable accuracy according to RGB color model. By this method, it is possible to determine the location of weeds around the main crop by maximum accuracy of 95% dependent to different condition of treatments. | ||
| کلیدواژه‌ها [English] | ||
| Discrimination, weed, Color Model, Machine vision | ||
| مراجع | ||
|
Anon, 2008. Image processing toolbox 6. User’s Guide. The MathWorks, Inc.
Blasco, J., Aleixos, N., Roger, J. M., Rabatel, G. and Moltó, E. 2002. Automation and emerging technologies: robotic weed control using machine vision. Biosys. Eng. 83, 149-157.
Bosch, A., Munoz, X. and Freixenet, J. 2007. Segmentation and description of natural outdoor scenes. Image Vision Comput. 25, 727-740.
Burgos-Artizzu, X. P., Ribeiro, A., Guijarro, M. and Pajares, G. 2011. Real-time image processing for crop/weed discrimination in maze fields. Comput. Electron. Agr. 75, 337-346.
Chen, Y. R., Chao, K. and Kim, M. S. 2002. Machine vision technology for agricultural applications. Comput. Electron. Agr. 36, 173-191.
Gerhard, R. and Christensen, S. 2003. Real-time weed detection, decision making and patch spraying in maize, sugar beet, winter wheat and winter barley. Weed Res. 43, 385-392.
Gonzales, R. C. and Woods, R. E. 1992. Digital Image Processing. Reading, Mass. Addison-Wesley Publishing Co. New York, NY.
Hemming, J. and Rath, T. 2001. Precision agriculture: computer-vision-based weed identification under field conditions using controlled lighting, J. Agric. Eng. Res. 78(3): 233-243.
Jafari, A., Eghbali-Jahromi, H., Mohtasebi, S. S. and Omid, M. 2006. Color segmentation for classifying weeds from sugar beet using machine vision. Iranian J. Infor. Sci. Manage. 4(1): 1-12.
Lee, W., Slaughter, D. and Giles, D. 1999. Robotic weed control system for tomatoes using machine vision and precision chemical application. Precis. Agric. 1, 95-113.
Pérez, A. J., López, F., Benlloch, J. V. and Christensen, S. 2000. Color and shape analysis techniques for weed detection in cereal fields. Comput. Electron. Agr. 25(3): 197-212.
Slaughter, D. C., Giles, D. K. and Downey, D. 2008. Autonomous robotic weed control systems: a review. Comput. Electron. Agr. 61(1): 63-78.
Storkey, J., Cussans, J. W. and Lutman, P. J. W. 2000. Visual assessment of weed ground cover to predict yield loss. Is this a practical alternative to the me asurement of leaf area? 11th International Conference on Weed Biology. Dijon, France.
Tellaeche, A., BurgosArtizzu, X. P., Pajares, G., Ribeiro, A. and Fernández-Quintanilla, C. 2008. A new vision-based approach to differential spraying in precision agriculture. Comput. Electron. Agr. 60(2): 144-155.
Thorp, K. and Tian, L. 2004. A review on remote sensing of weeds in agriculture. Precis. Agric.
Vesali, S. and Komarizadeh, M. H. 2010. Designing a vision algorithm for weeds sprayer robot in potato’s fields. Proceedings of the 6th International Congress of Agricultural Machinery Engineering and Mechanization. Tehran University. Karaj, Iran. (in Persian)
Woebbecke, D. M., Meyer, G. M., Von Bargen, K. and Mortensen, A. 1995. Color indices for weed identification under various soil, residue and lighting conditions. T-ASAE. 389(1): 259-269.
Zayas, I., Pomeranz, Y. and Lai, F. S. 1989. Discrimination of wheat and non-wheat components in grain samples by image analysis. Cereal Chem. 66(3): 233-237. | ||
|
آمار تعداد مشاهده مقاله: 728 تعداد دریافت فایل اصل مقاله: 554 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب