استفاده از سیستم ماشین بینایی در ارزیابی ناخالصی ها، افت مفید و غیر مفید گندم

استفاده از سیستم ماشین بینایی در ارزیابی ناخالصی ها، افت مفید و غیر مفید گندم

چكيده:

شناسايي چهار نوع علف هرز شامل ماشك معمولي، بيتيراخ، گل گندم و ماستونك كه در مزارع گندم ايران به وفور يافت مي شوند، توسط ماشين بينايي انجام گرفت. ابتدا تعداد 100 عكس از هر نمونه بذر علف هرز در يك جعبه ي تصوير تهيه شد و مورد آناليز قرار گرفتند. در نهايت براي شناسايي بذرهاي علف هرز از ويژگيهاي رنگ، شكل و بافت استفاده شد . هدف از شناسايي بذرهاي علف هرز تعيين افت غير مفيد گندم در هنگام تحويل به سيلوها ميباشد. همچنين در اين مطالعه افت مفيد گندم نيز تعيين شده است. نتايج نشان دادند كه سيستم قادر بود ماشك معمولي، بیتیراخ، گل گندم و ماستونك را به ترتيب با دقت 98، 97، 94 و 92 درصد شناسايي كند.

کلیدواژه: ماشین بینایی، افت مفید و غیر مفید، ناخالصی های غلات

مقدمه:

استفاده از روشهاي سريع و قابل اعتماد ماشين بينايي در سالهاي اخير به يكي از مسائل اصلي دنيا تبديل شده است .شناسايي و جداسازي بذر علف هرز توسط انسان ميتواند كاري سخت و طاقت فرسا باشد، كه اين مشكل توسط ماشين بينايي به راحتي قابل حل مي باشد. برای همين ماشين بينايي در سالهاي اخير در زمينه كشاورزي توانسته است از جايگاه خاصي برخوردار شود. الگوريتمي براي شناسايي بذر علفهاي هرز بر اساس ويژگي رنگ نوشته شد

يك سيستم ماشين بينايي براي تعيين كيفيت برنج ارائه شد

براي شناسايي ارقام گندم كانادايي از ويژگيهاي شكل و رنگ استفاده شد

يك سيستم اتوماتيك براي بررسي كيفيت لوبيا بر اساس ويژگي رنگ ارائه شد

در اين مطالعه يك سيستم ماشين بينايي براي شناسايي چهار گونه بذر علف هرز بر مبناي ويژگي رنگ، شك ل و بافت توسعه يافته است. اين سيستم از يك جعبه تصوير و كدهاي نوشته شده در نرم افزار مهندسي متلب تشكيل شده است. سيستم ارائه شده قادر است تا ميزان افت مفيد و غير مفيد گندم را سريعتر از انسان محاسبه نمايد.

موادوروش:

چهار گونه بذر علف هرز رايج در مزارع گندم ايران شامل ماشك معمولي، بيتيراخ، گل گندم و ماستونك در اين مطالعه مورد استفاده قرار گرفت، (شكل 1). براي گرفتن عكس يكنواخت از نمونهها از يك جعبه تصوير با ابعاد 40*40*40cm استفاده شد. براي نورپردازي يك لامپ فلورسنت حلقوي در بالاي جعبه نصب شد. با استفاده از يك دوربين تعداد 100 عكس از هر نمونه تهيه شد. ويژگيهاي استخراج شده شامل ويژگي رنگ، شكل و بافت نمونه ها بود.براي استخراج ويژگي بر اساس رنگ از دو فضاي رنگي RGB استفاده شد . از ويژگي هاي رنگ و بافت شامل شامل ميانگين (R)، چولگي (B)، يكنواختي و آنتروپي براي شناسايي گل گندم و ماستونك استفاده شد. از ويژگيهاي شكل شامل فاكتور شكل 1 (محور فرعي / محور اصلي)، فاكتور شكل 1 (محور اصلي / مساحت ) براي شناسايي بي تي راخ استفاده شد همچنين از رابطهي 1 براي شناسايي ماشك معمولي استفاده شد. براي استخراج ماشك معمولي از رابطه بالا از مقدار آستانهگيري 0.42 استفاده شد.

بعد از آنكه علفهاي هرز شناسايي شدند تعداد آنها را بدست آورديم و با تقسيم كردن تعداد آنها بر تعداد كل دانههاي موجود در تصوير ميزان افت غير مفيد را تعيين كريم.براي تعيين افت مفيد ابتدا با استفاده از ويژگي هاي شكل مساحت و طول محور اصلي گندمهاي شكسته با طول كمتر نصف را تعيين كرديم سپس با تعيين تعداد آنها ميزان افت مفيد را تعيين كرديم. نتايج حاصل از شناسايي بذر هاي علف هرز در شكل 2 نشان داده شده است.

ت پ ب الف

شكل 1- نمونه هايی از بذرهاي علف هرز استفاده شده در اين مطالعه: الف ماشك معمولي، ب) گل گندم، پ) بيتيراخ، ت) ماستونك.

شكل 2 - نمونهاي از شناسايي بذرهاي علف هرز و حذف گندمهاي شكسته با طول كتر از نصف: الف) تصوير اوليه، ب) شناسايي

ماشك معمولي، پ) شناسايي بيتيراخ، ت) شناسايي ماستونك، ث) شناسايي گل گندم، ج) حذف گندم شكسته با طول كمتر از نصف.

نتايجوبحث:

ماشك معمولي تقريبا سياه رنگ بود بنابراين داراي تمايز رنگ زيادي با ساير بذرهاي علف هرز بود. بررسي اطلاعات رنگي مربوط به ماشك معمولي نشان داد كه اختلاف آرايه قرمز و سبز در ماشك معمولي نسبت به ساير علفهاي هرز كمتر بود بنابراين از همين اختلاف براي شناسايي ماشك معمولي استفاده شد. براي تعيين مقدار آستانه به منظور استخراج ماشك

معمولي نمودار هيستوگرام تصوير حاصل از رابطهي 1 مورد بررسي قرار گرفت. هيستوگرام مربوطه نشان داد كه ماشك معمولي با مقدار سطح خاكستري كمتر در سمت چپ نمودار قرار گرفته و ساير بذر علفهاي هرز در سمت ديگر نمودار قرار گرفتهاند. نهايتا تصميم گرفته شد كه از مقدار آستانه 0.42 براي شناسايي ماشك معمولي استفاده شود نتایج نشان داد دادند كه سيستم با دقتي حدود 0.98 قادر به شناسايي ماشك معمولي بود.

علف هرز بيتيراخ و ماشك معمولي داراي شكل كروي بودند در حالي كه ساير بذرها دراي شكل كشيده و باريك بودند. از طرفي با توجه به اينكه ماشك معمولي قبلا بر اساس ويژگي رنگ استخراج شده بود بنابراين استفاده از ويژگي شكل براي شناسايي بيتيراخ ميتوانست مفيد و كارآمد باشد. با توجه به اينكه در اشياء كروي نسبت طول بزرگ و طول كوچك برابر

مقدار 1 مي باشد و در اجسام غير كروي، شبيه دانه هاي دراز و باريك اين نسبت بزگتر از 1 ميباشد بنابراين از فاكتور نسبت طول اصلي به طول فرعي به عنوان فاكتور شكل 1 براي شناسايي بيتيراخ از ساير بذرهاي علف هرز استفاده كرديم (شکل 4-الف) مشاهده شد در مواردي كه دانه هاي گندم شكسته با طول كمتر از نصف در تصوير وجود داشتند اين دانه ها همراه با بيتيراخ استخراج مي شدند. به دليل اينكه شكل اين دانه هاي شكسته مربعي بود و نسبت طول اصلي به فرعي در آنها نيز برابر مقدار 1 بود. براي جلوگيري از اين مشكل از نسبت مساحت به طول اصلي به عنوان فاكتور شكل 2 همراه با فاكتور شكل 1 استفاده شد (شکل 4-ب)

دو بذر علف هرز باقيمانده از لحاظ شكل با گندم مشابه بودند. همه اين بذرها داراي شكل باريك و كشيده بودند بنابراين استفاده از فاكتور شكل براي شناسايي آنها از يكديگر نميتوانست موثر باشد. قبل از شتاسايي بذرهاي علف هرز باقيمانده از يكديگر لازم بود كه بذرهاي علف هرز از هر نوع واريته گندمي شناسايي شوند. براي اين كار از ويژگي رنگ ميانگين مولفه قرمز استفاده كرديم (شکل 5-الف) نتايج نشان داد كه اين ويژگي قادر بود كه ارقام مختلف گندم شامل زرين، سرداري، رصد و 101 پرورشي را از بذرهاي علف هرز شناسايي كند.

نهايت براي شناسايي گل گندم و ماستونك از مقدار چولگي مولفه آبي و دو ويژگي بافت شامل آنتروپي و يكنواختي استفاده شد. نمودار مربوط به هر كدام از اين ويژگيها در شكل 5 نشان داده شده است. نتايج نشان دادند كه سيستم قادر بود گل گندم و ماستونك را به ترتيب با دقت 94 و 92 درصد شناسایی کند.

نتيجه گيري:

نتايج نشان دادند كه تركيبي از ويژگيهاي رنگ، شكل و بافت در شناسايي بذر علفهاي هرز بسيار موثر بود. سيستم ماشين بينايي ارائه شده در اين تحقيق قادر است كه تعداد بذر علف هرز را سريعتر از انسان و با دقت كافي شناسايي كند

1- Granitto P. M., Verdes P. F., Ceccatto H. A., 2005. Large-scale investigation of weed seed identification by machine vision. Computers and Electronics in Agriculture, 47, 15–24.

2- Kılıç K., Boyacı İ.H., Köksel H., and Küsmenoğlu İ., 2005. A classification system for beans using computer vision system and artificial neural networks. Jornal of Food Engineering., 78, 897-904.

3- Visen N.S., Palliwal J., Jayas D.S., and White N.D.G., 2002. Specialist Neural Networks for Cereal Grain Classification. Biosystms Engineering., 82(1), 151-159.

4- Wu Y. H., Liu M. H., Yang J., and Zheng H. D., 2007. Rice outer-quality inspect ion based on computer vision. Trans of the Chinese Society for Agricultural Machinery., vol.38, 107-111

استفاده از سیستم ماشین بینایی در ارزیابی ناخالصی ها، افت مفید و غیر مفید گندم

مطالب مشابه :

عكس هنري زيبا از طبيعت

استفاده از سیستم ماشین بینایی در ارزیابی ناخالصی ها، افت مفید و غیر مفید گندم

ساختمان بذر

کشت و پرورش گیاهان باغی سبزی کاری گل، کاری و صیفی کاری

پرایمینگ بذر،انواع ونقش آن در زراعت

گالري عكس 3 (از كاليفرنيا)