طراحي و پياده‌سازي سامانه بينايي ماشين براي تشخيص انسان ايستاده در جلوي تراكتور

Design and implementation of a machine vision system for standing human detection in front of tractor

با توجه به گسترش استفاده از تراكتور و ماشين‌هاي خودگردان كشاورزي، آمار مرگ‌و‌مير ناشي از تصادف با ماشين‌هاي كشاورزي نيز رو به افزايش است. به همين جهت، وجود يك سامانه هشداردهنده براي تشخيص موانع و انسان جلوي ماشين‌هاي كشاورزي جهت جلوگيري از تصادفات مي‌تواند بسيار مفيد باشد. در اين پژوهش، با هدف توسعه يك سامانه بينايي ماشين براي تشخيص انسان ايستاده در جلوي تراكتور جهت استفاده در سامانه‌هاي هشداردهنده يا هدايت خودكار وسايل نقليه كشاورزي، يك الگوريتم پردازش تصوير خاص، طراحي و در محيط نرم‌افزار متلب به‌كار گرفته شد. در اين سامانه با نصب يك دوربين در جلوي تراكتور، تصوير جاده جلوي تراكتور به نرم‌افزار سامانه منتقل شد. در الگوريتم طراحي‌شده، پس از حذف بخش‌هاي زائد تصوير ورودي، با استفاده از اندازه گراديان و تكنيك‌هاي آبگير، و سپس با تفاضل انسان از پس‌زمينه، وجود انسان در تصوير تشخيص داده شد. مطابق نتايج به‌دست آمده از ارزيابي در برداشت‌هاي مختلف تصوير، الگوريتم پيشنهادي در مقايسه با دو روش معمول تشخيص انسان (هيستوگرام گراديان جهت‌دار و آبشار) از دقت زيادي در فواصل 4 تا 20 متر برخوردار بود. ميانگين مقادير دقت شناسايي الگوريتم پيشنهادي در اين فواصل، 85 تا 94 درصد به‌دست آمد. نتايج تجزيه واريانس دقت عملكرد در شناسايي انسان نشان داد كه اثر روش شناسايي و فاصله بر دقت شناسايي انسان و همچنين اثرهاي متقابل تيمارها، در سطح يك درصد معنادار بودند.

These years, the use of tractors and self-propelled agricultural machines has been caused to increase the human death numbers due to accidents with them. Hence, having an alarm system on agricultural vehicles for humans and obstacles detection can be beneficial to reduce the accidents. This study was aimed to develop a machine vision system for human detection to use in agricultural tractors. A camera was installed in front of the tractor, and an algorithm was then designed in MATLAB for image processing. After trimming the input image, the human was identified using watershed and gradient magnitude techniques, and also subtracting human from the background. According to the results of the algorithm evaluation in various image acquisitions, the proposed algorithm had high accuracy at distances of 4 to 20 meters compared with two common human detection methods (Histogram of oriented gradient and Cascade). Average accuracy of the proposed algorithm in these distances was within 85 - 94 %. The results of variance analysis for accuracy of human detection showed that the effect of identification method and distance on the accuracy of human detection were significant as well as the interaction effects between different parameters were significant at the 1% level.