پديد آورندگان :
سبزي، سجاد دانشگاه محقق اردبيلي - دانشكده كشاورزي و منابع طبيعي , عباسپور گيلانده، يوسف دانشگاه محقق اردبيلي - دانشكده كشاورزي و منابع طبيعي , جوادي كيا، حسين دانشگاه رازي - دانشكده كشاورزي
كليدواژه :
ماشين بينايي , قطعه بندي , فيلم برداري , طبقه بند , الگوريتم‌هاي فرا ابتكاري
چكيده فارسي :
علف هرز بهدليل رقابت با محصولات كشاورزي برايدستيابي به آب، مواد مغذي، نور خورشيد و . . . بايد از مزرعه حذف شود. روش‌هاي مختلفي براي مبارزه با علف‌هاي هرز وجود دارد مانند روش‌هاي مكانيكي، دستي و استفاده از علف‌كش‌ها كه در ميان كشاورزان، امروزه كاربرد علف‌كش‌ها رايج‌تر است اما اين كار بهدليل استفادۀ يكسان در كل مزرعه، به آلودگي زيست محيطي انجاميده است. در اين مطالعه، يك سيستم ماشين بينايي مبتني بر پردازش ويدئو به‌منظور شناسايي علف‌هرز چاودار از گياه سيب‌زميني جهت پاشش بهينۀ علف‌كش پيشنهاد شده است. پس از فيلم‌برداري، پيش‌پردازش و قطعه‌بندي، 965 شيء شناسايي شد. از هر شيء، 14 خصوصيت استخراج شد. با استفاده از روش فراابتكاري هيبريد شبكۀ عصبي مصنوعي – الگوريتم ژنتيك از ميان 14 خصوصيت استخراجي، 6 خصوصيت ميانگين، ممان سوم، خودهمبستگي، همبستگي، عدم تشابه و آنتروپي بهعنوان خصوصيات موثر انتخاب شدند. كل داده‌ها به دو دسته تقسيم شدند: داده‌هاي آموزش (70 درصد كل داده‌ها) و داده‌هاي تست و اعتبارسنجي (30 درصد كل داده‌ها). با استفاده از طبقه‌بند هيبريد شبكۀ
عصبي - مصنوعي – الگوريتم مبتني بر جغرافياي زيستي، طبقه‌بندي انجام گرفت. با دو روش تحليل ماتريس اغتشاش و بررسي نمودار ROC، عملكرد سيستم طبقه‌بند ارزيابي شد. سه معيار حساسيت، دقت و ويژگي با استفاده از ماتريس اغتشاش محاسبه شد. نتايج تحقيق نشان مي‌دهد كه ميزان حساسيت، دقت و ويژگي سيستم طبقه‌بند به‌ترتيب بالاي 99، 99 و 98 درصد است. مي‌توان نتيجه گرفت كه امكان ساخت سيستم ماشين بينايي با هدف ذكر شده كه بهصورت برخط كار مي‌كند وجود خواهد داشت.
چكيده لاتين :
The weeds must be removed from the field due to their competition with principal crops to use water, nutrients, sunlight, etc. There are different methods to remove the weeds: mechanically, manually or chemically (applying herbicides). For farmers, applying herbicides is a usual way, but brings some concerns, from the point of environmental issues, due to equal application of chemicals all over fields, regardless the presence or absence of weed. For this reason, a machine vision system based on video processing was proposed to recognize Secale cereale L. (as a weed) from potato plant (as principal crop) to make herbicide application more accurate. Nine hundred sixty five objects were recognized after taking videos, pre-processing and segmentation. Fourteen features were extracted from each object. Using the hybrid artificial neural network-genetic algorithm, of 14 extracting features, only 6 features were selected as effective ones: average, the third moment, autocorrelation, correlation, dissimilarity, and entropy. Data were classified into two groups: training data (70% of the total data) and testing data (30% of the total data). The classification was performed using hybrid of artificial neural network - Bio-geography Based Optimization (BBO) algorithm. Performance of classification system was evaluated through analysis of confusion matrix and Receiver Operating Characteristic (ROC). Sensitivity, specificity, and accuracy were calculated using confusion matrix. The results showed that the sensitivity, accuracy and specificity of classification system reached to an acceptable level: 99.49 %, 99.65% and 98.91%, respectively. Our conclusion is that it is possible to manufacture the machine vision system with mentioned aims that work as online.
