| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,952 |
| تعداد مقالات | 33,275 |
| تعداد مشاهده مقاله | 43,872,913 |
| تعداد دریافت فایل اصل مقاله | 20,379,627 |
تخمین تراکم گیاهچه‌های کلزا در مرحله دوبرگی برمبنای پردازش تصویر و با استفاده از ترکیب الگوریتم‌های مدل مخلوط گوسی و خوشه‌بندی نزدیک‌ترین همسایگی | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقاله 3، دوره 22، شماره 80، اسفند 1400، صفحه 33-50 اصل مقاله (1.73 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/amsr.2021.354218.1381 | ||
| نویسندگان | ||
| علیرضا رضائی* 1؛ سید مرتضی خلیلی2؛ میلاد اسدپور3 | ||
| 1استادیار، آزمایشگاه روبات های سیار هوشمند، گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، تهران، ایران | ||
| 2کارشناسی ارشد، گروه بین رشته ای فناوری، بخش مکاترونیک و ممز،دانشکده علوم و فنون نوین،دانشگاه تهران، تهران،تهران، ایران | ||
| 3دانشجوی کارشناسی ارشد، گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین،دانشگاه تهران، تهران،تهران، ایران | ||
| 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 | ||
| اتوماسیون در کشاورزی؛ الگوریتم شمارش گیاهچه‌های کلزا؛ بخش‌بندی تصاویر | ||
| عنوان مقاله [English] | ||
| Estimation of rapeseed crop density at the two-leaf stage based on image processing and using a combination of Gaussian Mixture Model and k-means clustering algorithms | ||
| نویسندگان [English] | ||
| alireza rezaee1؛ seyed morteza khalili2؛ milad asadpour3 | ||
| 1Assistant Professor, Intelligent mobile robot lab, Interdisciplinary Technology group, Mechatronics and Mems part, faculty of new sciences and technologies, university of Tehran, Tehran, Iran, | ||
| 2post-graduate student, Interdisciplinary Technology group, Mechatronics and mems part, faculty of new sciences and technologies, university of Tehran, Tehran, Iran | ||
| 3tehran , tehran univesity , mechatronic department | ||
| چکیده [English] | ||
| Today, with the expansion of industrial agriculture, the use of new sciences and technologies such as artificial intelligence has a significant role in increasing productivity and smartening of agricultural methods. These methods include estimating seedling density using image processing methods. In addition to helping agricultural land management, this is also effective in assessing the amount of fertilizer and chemicals and determining the storage space required. In this paper, a new method for estimating rapeseed crop density at the two-leaf stage is proposed. To prepare the images, first, images were taken from several random areas of the rapeseed field in the two-leaf stage located in the village of Mohammadabad, Qazvin, using square frames one meter long to meet the usual standards; Then the Gaussian mixed model with the Expectation Maximization algorithm is used to segment the images. In order to improve the segmentation of the images, the k-mean clustering algorithm was used and finally, when the leaves were separated from the other components of the image, morphological operators were used to count the number of products in the images. The number of rapeseed products in the images is also averaged manually and used as reference values to evaluate the performance of the proposed algorithm. The results of the proposed method have a correlation of R=0.96 with the manual counting method and have an accuracy of 96.5%. The results of the proposed method are also compared with two common methods called the Normalized Difference Index (NDI) and the Otsu threshold methods which are based on the color characteristics of the images and used in recent studies, and it is observed that the proposed method works better. Although the images were taken in different environmental conditions and with different light intensities, the error rate of the proposed method for the images used was only less than four percent, which shows the efficiency of the proposed method in estimating canola density. Therefore, the proposed method can be used in estimating canola seedlings in practice in agricultural fields. | ||
| کلیدواژه‌ها [English] | ||
| Agricultural Automation, Canola Counting Algorithm, Image Segmentation | ||
| 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 13th 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. | ||
|
آمار تعداد مشاهده مقاله: 610 تعداد دریافت فایل اصل مقاله: 253 |
||