تشخيص گردو بر روي درخت با استفاده از پردازش تصاوير ديجيتال

Detecting walnuts on trees by using digital image processing

استفاده از پردازش تصوير به عنوان يك ابزار زمينه لازم را براي شناسايي دقيق و تعيين موقعيت ميوه‌ها در راستاي نقشه‌برداري عملكرد فراهم نموده است و پيشرفت در استفاده از حسگرها و تكنولوژي رباتيك اين فرصت را به‌وجود آورده تا سيستم‌هاي مكاترونيكي برداشت محصولات به عنوان ابزارهاي كشاورزي در راستاي تسهيل كار باغداران و مكانيزه نمودن برداشت توسعه پيدا كنند. گردو از جمله محصولاتي است كه نيازمند مديريت صحيح و علمي در زمان برداشت مي‌باشد. برداشت گردو به روش سنتي هزينه كارگري و خطر زيادي براي برداشت‌كنندگان به همراه دارد. علاوه بر هزينه زياد و عملكرد نسبتا پايين شيكرهاي گردو، وجود درختان با ارتفاع بالا و تنه بسيار بزرگ و باغات نامنطم و ناهموار، امكان استفاده فراگير از تكنوژي و ماشين‌آلات موجود در برداشت مكانيزه را كاهش داده است. يكي از ابزارهاي كشاورزي دقيق تهيه نقشه عملكرد محصول براي مديريت مكاني در توليد محصول بيشتر مي‌باشد. با مديريت مكاني مبتني بر درك دلايل تغييرات محيط‌هاي مختلف، عملكرد محصول افزايش مي‌يابد. لذا در راستاي تعيين عملكرد و ساخت ربات برداشت، يك الگوريتم پردازش تصوير براي تشخيص و تعيين موقعيت ميوه گردو بر روي درخت در شرايط نور طبيعي ارايه گرديد. الگوريتم ارايه شده بر پايه ويژگي‌هاي بافت تصوير، الگوي تراكم سايه روشن و لبه‌يابي عمل مي‌كند. استفاده از ويژگي بافت در تركيب با الگوي تراكم سايه روشن به عنوان يك روش ابتكاري در شرايطي كه ميوه و برگ طيف رنگي مشتركي دارند عملكرد مناسبي داشت. در اين روش تشخيص ميوه مستقل از شكل آن انجام گرفت تا تاثير انسداد منظر ميوه بر عملكرد الگوريتم به حداقل برسد. بررسي نتايج استفاده از اين الگوريتم نشان داد كه روش ارايه شده با نرخ تشخيص 90.8 درصد توانايي شناسايي گردوهاي داخل تصاوير گرفته شده از درختان را دارد همچنين ميوه‌هايي كه به صورت چندتايي در كنار هم قرار داشتند با نرخ تفكيك 93 درصد از همديگر تشخيص داده شدند. عوامل عدم تشخيص گردو به ترتيب شامل خطاي ناشي از تيرگي تصوير ميوه با نرخ 2.7 درصد، وضوح پايين با نرخ 2.7 درصد، مقياس نامناسب با نرخ 1.8 درصد، تفكيك ميوه‌هاي كنار هم با نرخ 1.8 درصد و انسداد منظر ميوه با نرخ 0.9 درصد بودند.

The use of digital image processing (DIP) has made it possible to exactly locate fruits to survey the performance. Moreover, advancements in the use of sensors and the robot technology have provided an opportunity to develop mechatronic crop harvesting systems as agricultural tools to facilitate gardening and harvesting mechanization. Walnuts are among crops that require proper and science-based management when harvesting. Traditional walnut harvesting has a high cost and high risk for Harvesting workers. In addition to the high cost and relatively low performance of walnut shakers, tall and large-trunk trees and irregular and rolling gardens make it difficult to widely employ mechanized harvesting technologies and machinery. One of the precision agricultural tools is crop yield mapping for local management and higher crop production. Product performance increases with local management based on understanding the causes of changes in different environments. Hence, to evaluate performance and build a harvesting machine, a DIP algorithm is proposed to detect and locate walnuts on trees in a natural light condition. The proposed algorithm functions based on image texture characteristics, light and shade density, and edge detection. The use of texture characteristics in combination with the light and shade density as an innovative method has worked well in conditions where fruits and leaves have a common color spectrum. In this method, fruit detection was independent of its shape to minimize the effect of fruits appearance obstruction on the algorithm's performance. The results indicated that the proposed method was able to detect walnuts in images taken from trees with a detection rate of 90.8%. The fruits that were next to each other were also distinguished at 93% resolution. Walnut detection-inhibiting factors were image darkness-induced errors with 2.7%, low resolution with 2.7%, improper scale with 1.8%, distinguish the tandem walnuts with 1.8%, and walnut appearance obstruction with 0.9%