مقايسه دقت شناسايي بذر علف‌هاي‌هرز با استفاده از رهيافت پردازش تصوير و روش‌هاي تشخيص الگو

Classification of weed seeds using image processing and pattern recognition methods

به‌منظور شناسايي بذر علف‌هاي‌هرز به كمك رهيافت بينايي ماشين، از دو روش شبكه عصبي مصنوعي و آناليز تشخيص متعارف استفاده شد. بذرهاي تاج‌خروس ريشه‌قرمز (Amaranthus retroflexus)، تاج‌خروس خوابيده (Amaranthus blitoides)، سلمه‌تره (Chenopodium album)، قدومه (Alyssum hirsutum) و خردل وحشي (Sinapis arvensis) جمع‌آوري‌ شد و پس از ثبت تصاوير آن‌ها، خصوصيات مربوط به شكل هر بذر استخراج شد. داده‌هاي استخراج شده، به‌صورت خام و استاندارد شده درآمدند. همچنين با استفاده از روش رگرسيون گام‌به‌گام، مهم‌ترين خصوصيات شكلي بذرها نيز شناسايي شدند. نتايج نشان داد كه دقت شناسايي شبكه عصبي ساخته ‌شده از داده‌هاي خام و استاندارد مربوط به 13 متغير پيشگو، به‌ترتيب 36/84 و 34/83 درصد و براي شبكه عصبي ساخته ‌شده از داده‌هاي ورودي خام و استاندارد حاصل از رگرسيون گام‌به‌گام، به‌ترتيب 30/84 و 39/83 درصد بود. دقت شناسايي روش آناليز تشخيص متعارف نيز بر اساس كل داده‌هاي خام و استاندارد ورودي، به‌ترتيب 90/84 و 70/84 درصد بود. همچنين دقت شناسايي بذرها با استفاده از هر دو داده‌ خام و استاندارد حاصل از رگرسيون گام‌به‌گام در اين روش، 6/82 درصد بود. بيشترين دقت شناسايي در هر دو روش (با بيش از 95 درصد دقت)، به علف‌هاي‌هرز قدومه و تاج‌خروس ريشه‌قرمز تعلق داشت. علاوه بر اين، بالاترين دقت شناسايي بذرهاي سلمه‌تره در هر دو روش، بالاتر از 87 درصد بود. اين امر نشان مي‌دهد كه استفاده از خصوصيات شكلي در مدل‌هاي تشخيص الگو، داراي پتانسيل خوبي در شناسايي بذرهاي اين علف‌هاي‌هرز بود.

In order to identify weed seeds by machine vision approach, two methods of artificial neural network (ANN) and canonical discriminant analysis (CDA) were applied. The seeds of Amaranthus retroflexus, Amaranthus blitoides, Chenopodium album, Alyssum hirsutum, and Sinapis arvensis were collected and the images of these seeds were recorded. The obtained images were processed and then characteristics related to the shape of each seed were extracted. The extracted data were in in the raw and standardized forms. In addition, main shape characteristics of the seeds were identified by stepwise regression. The results showed that the accuracy of the ANN constructed from the raw and the standard data were 84.30% and 83.39%, respectively. Identification accuracy of ANN was 84.30% and 83.39% for the raw and standard data extracted from stepwise regression. The results of CDA method showed that the identification accuracy of total raw and standard data were 84.9% and 84.7% respectively. Identification accuracy of this method was 82.6% for both raw and standard data extracted from stepwise regression. The highest identification accuracy in both methods (more than 95%) was belonged to A. retroflexus and A. hirsutum. In addition, the seed identification accuracy of C. album in both methods was higher than 87%. This suggests that the use of shape features in pattern recognition models had reliable potential in identifying the seeds of these weeds.