- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,727 |
| تعداد مقالات | 31,053 |
| تعداد مشاهده مقاله | 28,154,743 |
| تعداد دریافت فایل اصل مقاله | 16,251,803 |
توسعه یک سامانه دقیق کنترل علف های هرز برای زمین های چمن به کمک بینایی ماشین | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقاله 6، دوره 19، شماره 70، شهریور 1397، صفحه 55-68 اصل مقاله (1.16 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2018.107033.1119 | ||
| نویسندگان | ||
| هادی اورک1؛ سامان آبدانان مهدی زاده* 2 | ||
| 1دانشجوی کارشناسی ارشد استادیار دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران | ||
| 2استادیار دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران | ||
| چکیده | ||
| استفادۀ بیرویه از علفکشها به منظور از بین بردن علفهای هرز در مزارع کشاورزی، زمین چمن، زمینهای ورزشی و غیره سبب بروز نگرانیهای اقتصادی محیط زیستی شده است. به منظور کاهش علفکشها، بهترین راه ممکن دست چینکردن آنهاست که بسیار پر هزینه و وقت گیر است. در این مقاله دو روش برای تشخیص علفهرز در چمن با استفاده از تکنولوژی بینایی ماشین ارائه شده است. با توجه به این موضوع که علفهای هرز رنگهای متفاوتی دارند و به خوبی امکان تشخیص آنها از چمن وجود ندارد، از این فرض استفاده شد در مناطقی که علفهای هرز وجود دارد، نسبت به مناطقی که چمن روییده است، تفاوتی در میزان لبههای تصویر اخذ شده وجود دارد. روش طبقه‌بندی بیز و ویژگی مورفولوژی برای تشخیص علفهرز در چمن بهکار گرفته شد. میزان تشخیص درست علفهرز برای روش مورفولوژی 58/89 درصد و روش طبقه‌بندی بیز 42/80 درصد به دست آمد. از سامانۀ سمپاش هوشمند با سه نازل استفاده شد و میزان کاهش مصرف علفکشها به بیش از 70 درصدرسید. این مسئله تا حد زیادی از لحاظ اقتصادی و کاهش آلودگیهای محیط زیست میتواند مؤثر باشد. | ||
| کلیدواژه‌ها | ||
| بینایی ماشین؛ سمپاش هوشمند؛ طبقه بندی بیز؛ علف هرز؛ مورفولوژی | ||
| عنوان مقاله [English] | ||
| Development of a Precision Weed Control System for Lawns using Machine Vision | ||
| نویسندگان [English] | ||
| H. Orak1؛ S. Abdanan-Mehdizadeh2 | ||
| چکیده [English] | ||
| A large amount of herbicide is being used for controlling weeds in agricultural, lawns, sport fields on yearly basis. This causes environmental pollution and economic concerns. To reduce the use of herbicides, hand labor may be the best way of removing weeds. It is, however, costly and time consuming. In this paper, two methods of distinguishing weeds from lawns using computer vision techniques are proposed. Due to the fact that the weeds have different colors and identification of them from grass is not possible; therefore, an algorithm was developed based on the assumption that the grass area should contain more edges while the weed area is smoother than the grass area. For identification of weed/grass two methods were used, namely: Bayesian Classifier (BO) and morphology (MO. Results indicated that correct weed identification rates for MO and BO methods were 89.58% and 80.42% respectively. Furthermore, from results obtained it can be concluded that herbicide usage was reduced more than 70%, which from economical point of view as well as reduction of environmental pollution is of great importance. | ||
| کلیدواژه‌ها [English] | ||
| Bayes Classifier, Intelligent Sprayer, Machine vision, Morphology, weed | ||
| مراجع | ||
|
Burgos-Artizzu, X. P., Ribeiro, A., Guijarro, M. and Pajares, G. 2011. Real-time image processing for crop-weed discrimination in maize fields. Comput. Electron. Agric. 75(2): 337-346.
Burgos-Artizzu, X. P., Ribeiro, A., Tellaeche, A., Pajares, G. and Fernández-Quintanilla, C. 2009. Improving weed pressure assessment using digital images from an experience-based reasoning approach. Comput. Electron. Agric. 65, 176-185.
Burgose-Artizzu, X. P., Ribeiro, A., Pajares, G., Tellaeche, A. and Fernandez-Quintanilla, C. 2010.
De Rainville, F. M., Durand, A., Fortin, F. A., Tanguy, K., Maldague, X., Panneton, B. and Simard, M. J. 2014. Bayesian classification and unsupervised learning for isolating weeds in row crops. Pattern Anal. Appl. 17(2): 401-414.
Faisal, A., Hawlader, A. A. M., Bari, A. S. M., Emam, H. and Paul, K. 2012. Classification of crops and weeds from digital images: A support vector machine approach. Crop Prot. 40, 98-104.
Gan-Mor, S. and Clark, R. L. 2001. DGPS-based automatic guidance-implementation and economical analysis. Trans. ASAE. 1, 11-92.
Gonzalez, R. C.,Wood, R. E. and Eddins, S. L. 2004. Digital Image Processing using Matlab. Upper Saddle River, NJ: Pearson Prentice Hall.
Guerrero, J. M., Pajares G., Montalvo, M., Romo, J. and Guijarro, M. 2012. Support vector machines for crop/weeds identification in maize fields. Expert Syst. Appl. 39, 11149-11155.
Han, S., Zhang, Q., Ni, B. and Reid, J. F. 2004. A guidance directrix approach to visionbased vehicle guidance systems. Comput. Electron. Agric. 43(3): 179–195.
Hemming, J. and Rath, T. 2001. Computer-vision-based Weed identification under filed conditions using controlled lighting. J. Agr. Eng. Res. 78(3): 233-243.
Hernández-Hernández, J. L., García-Mateos, G., González-Esquiva, J. M. and Escarabajal-Henarejos, D. 2016. Optimal color space selection method for plant/soil segmentation in agriculture. Comput. Electron. Agric. 122, 124-132.
Ishak, A. J., Hussain, A. and Mustafa, M. M. 2009. Weed image classification using Gabor wavelet and gradient field distribution. Comput. Electron. Agric. 66(1): 53-61.
Kawamura, K., Mashita, T., Miwa, Y. and Ito, A. 1993. Developing of weeding robot (2): Development of weed detecting sensors on green area of golf course. Proceeding of JSPE. (in Japanese)
Kazmi, W., Garcia-Ruiz, F. J., Nielsen, J., Rasmussen, J. and Andersen, H. J. 2015. Detecting creeping thistle in sugar beet fields using vegetation indices. Comput. Electron. Agric. 112, 10-19.
Lee, W. S., Slaughter, D. C. and Giles, D. K. 1996. Development of a machine vision system for weed control using precision chemical application. Proceeding of ICAME-96. 3, 802-811.
Lee, W. S., Slaughter, D. C. and Giles, D. K. 1999. Robotic weed control system for tomatoes. Precis. Agric. 1, 95-113.
Li, D. M., Wang, Y. Z. and Du, B. 2009. Research on segmentation methods of weed and soil background under hsi color mode. Second International Workshop on Knowledge Discovery and Data Mining. Jan. 23-25.
Mashita, T., Miwa, Y. and Ito, A. 1992. Developing of weeding robot (1): Manufacture of weed discrimination system on golf course. Proceeding of JSPE. (in Japanese)
Montalvo, M., Guerrero, J. M., Romeo, J., Emmi, L., Guijarro, M. and Pajares, G. 2013. Automatic expert system for weeds-crops identification in images from maize fields. Expert Syst. Appl. 40(1): 75-82.
Onyango, C. M. and Marchant, J. A. 2003. Segmentation of row crop plants from weeds using colour and morphology. Comput. Electron. Agric. 39: 141-155.
Perez, A. J., Lopez, F., Benlloch, J. V. and Christensen, S. 2000. Colour and shape analysis techniques for weed detection in cereal fields. Comput. Electron. Agric. 25(3): 197-212.
Persson, M. and Astrand, B. 2008. Classification of crops and weeds extracted by active shape models. Biosyst. Eng. 100, 484-497.
Tang, J. L., Chen, X. Q., Miao, M. R. and Wang, D. 2016. Weed detection using image processing under different illumination for site-specific areas spraying. Comput. Electron. Agric. 122, 103-111.
Tellaeche, A., Pajares, G., Burgos-Artizzu, X. P. and Ribeiro, A. 2011. A computer vision approach for weeds identification through Support Vector Machines. Appl. Soft Comput. 11, 908-915.
Watchareeruetai, U., Takeuchi, Y., Matsumoto, T., Kudo, H. and Ohnishi, N. 2006a. Computer vision based methods for detecting weeds in lawns. Mach. Vision Appl. 17(5): 287-296.
Watchareeruetai, U., Takeuchi, Y., Matsumoto, T. Kudo, H. and Ohnishi, N. 2006b. Computer Vision Based Methods for Detecting Weeds in Lawns. IEEE Conference on Cybernetics and Intelligent Systems. 7-9 June. Bangkok, Thiland.
Wiles, L. J. 2011. Software to quantify and map vegetative cover in fallow fields for weed management decisions. Comput. Electron. Agric. 78(1): 106-115.
Woebbecke, D. M., Meyer, G. E., VonBargen, K. and Mortensen, D. A. 1995. Color indices for weed identification under various soil, residue, and lighting conditions. Trans. ASAE. 38(1): 259-269. | ||
|
آمار تعداد مشاهده مقاله: 6,373 تعداد دریافت فایل اصل مقاله: 422 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب