نوع مقاله : مقاله پژوهشی

نویسندگان

1 هیئت علمی گروه مهندسی بیوسیستم ـ دانشگاه محقق اردبیلی

2 عضو هیئت علمی گروه زراعت و اصلاح نباتات ـ دانشگاه محقق اردبیلی

3 عضو هیئت علمی گروه مهندسی بیوسیستم ـ دانشگاه محقق اردبیلی

4 دانشجوی 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

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.
5, 477-508.
 
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.