سمپاش هوشمند تشخيص دهنده گونه هاي علف هرز

An intelligent sprayer for identification of weed’s species

تلفيق استراتژي خاص مكاني و مديريت كنترل علف هرز مي تواند راه حلي مناسب براي كاهش مصرف علف كشها باشد. در اين تحقيق، جهت كاهش مصرف علف كشها، طراحي و ساخت ماشين بردار پشتيبان بر اساس سيستم ماشين بينايي كه مشخصات مختلف تصويري بوته ها را مورد استفاده قرار مي دهد، مدنظر قرار گرفت. به همين منظور مجموعاً 100 تصوير تحت شرايط آزمايشگاه از دو گونه علف هرز پهن برگ و باريك برگ رايج در مزرعه تهيه شد. براي جدا كردن بوته ها از پس زمينه تغييرات لازم در الگوريتم تفكيك كننده تصوير به نام روش Pixelwise اعمال شد. در ادامه جهت دسته بندي گونه هاي علف هرز، الگوريتم ماشين بردار پشتيبان، با استفاده از استخراج هفت خصوصيت ريخت شناسي از تصاوير آزمايشگاهي، ايجاد شد. در تستمزرعه، سه بلوك به صورت كاملا تصادفي در مزرعه انتخاب شد. در هر بلوك 20 تصوير به صورت اتوماتيك توسط سامانه گرفته و به صورت لحظه اي گونه علف هرز تشخيص داده شد. سپس با توجه به گونه علف هرز، سم مورد نظر پاشيده شد. در نهايت با توجه به نتايج بدست آمده دقت تشخيص سامانه در هر بلوك محاسبه شد. بين دقت هاي بدست آمده در سطح احتمال 5% اختلاف معني داري وجود نداشت. مجموعاً از 60 تصوير گرفته شده، 144 بوته علف هرز مورد تشخيص واقع شد به طوري كه سامانه با دقت 71 % (در مدت 2.17 ثانيه براي هر تصوير) علف هاي هرز را دسته بندي نمود.

Combination of Site Specific Strategy and Weed Control Management can be a proper solution to reduce the use of herbicides. To reach this purpose, in the present study, a Support Vector Machine based on Machine Vision technology was developed, which uses the various visual plant characteristics. Therefore, a total of 100 shots of broadleaf and grass weed species were prepared in the laboratory. An available algorithm for image segmentation called Pixelwise was modified to distinguish plants from the soil background. In order to classify weed species, a Support Vector Machine algorithm was created using seven weed’s morphological characteristics which extracted from previous laboratory images. In the field trial, three blocks were selected randomly in the field. In each block, 20 images were taken automatically by the system and weed species were identified in real time then according to weed species, herbicide was sprayed. System’s accuracy was calculated for each block. Analysis of the results shows that in 5% probability level, there was no significant difference in the obtained accuracies. A total of 60 images were taken, 144 plants were identified, which system classified them as grass and broadleaf with accuracy of 71% (in 2.17 s)