استفاده از تكنيك پردازش تصوير و شبكه‌هاي عصبي مصنوعي براي شناسايي علف‌هاي‌هرز مزارع ذرت

Weeds identification in corn fields based on image processing techniques and artificial neural networks

علف‌هاي‌هرز به صورت لكه‌اي در مزرعه سبز مي‌شوند. سمپاشي لكه‌اي علف‌هاي‌هرز، موجب كاهش مصرف علف‌كش‌ها، هزينه و آلودگي محيط زيست مي‌شودد. براي تصميم‌گيري در زمينه كنترل توسط فن آوريِ بينايي ماشين كه در سمپاشي لكه‌اي به كار مي‌رود، به تصوير و پردازش آن نياز است. شناسايي درست علف‌هاي‌هرز و طبقه‌بندي آن‌ها، كليد اتخاذ تصميمات كنترلي و اجراي عمليات سمپاشي است. در اين تحقيق، روشي مبتني بر تركيب پردازش تصوير، براي جداسازي علف‌هاي‌هرز از ساير اجزاي تصوير و شبكۀ عصبي مصنوعي براي طبقه‌بندي پيشنهاد شده است. علف‌هاي‌هرز شامل تاج خروس ريشه قرمز،سلمه تره، آفتاب پرست، تاج خروسخوابيده ، تاج ريزي، سوروف و گاورس بودند. نتايج نشان داد كه اين الگوريتم، با دقت قابل قبولي علف‌هاي‌هرزرا از خاك جداسازي كرد. در گام بعد، ويژگي‌هاي مرتبط با رنگ و شكل، از علف‌هاي‌هرز استخراج شدند. سرانجام، به منظور طبقه‌بندي هفت كلاس علف‌هرز، از روش شبكه عصبي مصنوعي پرسپترون، با ساختار 7 -15-15-43 و ميانگين دقت كل 71/88 درصد استفاده شد. نتايج حاصل از اين مطالعه نشان داد كه سامانه پيشنهادي، توانايي تشخيص علف‌هاي‌هرز با دقت مناسب را دارد. كاربرد چنين سامانه هايي مي‌تواند با تشخيص به موقع علف‌هاي‌هرز و كاهش مصرف علف‌كش‌ها، بروز پديده مقاومت علف‌هاي‌هرز به علف‌كش‌ها را به تاخير اندازد و آلودگي‌هاي زيست محيطي را كاهش دهد.

Weeds normally grow as patches and spatially distributed in field. Patch spraying to control weeds has advantages such as cost reduction, herbicide saving and reduction of environmental pollution. Machine vision system should obtain and process digital images to make control decisions. Proper identification and classification of weeds are the key steps to make control decisions and use of any spraying operation performed. In this study, a robust method based on image processing and computational intelligence was developed for segmentation from other parts of image and classification of weeds. Large crabgrass, common lamb’s quarter, velvetleaf, common barnyard grass, European black nightshade, red-rooted pigweed and European heliotrope were the weeds in the experiment. Results showed that this algorithm was precisely separated weeds from the soil. In the next step, the feature vector, which includes shape features and color features, was composed. Finally,classification of seven classes of weeds was carried out by artificial neural network (ANN). Among different ANN structures, the most optimum classifier was the 43-15-15-7 topology with accuracy 88/71 %. The results of this research indicate that the proposed system has the ability to accurately detection of weeds.