شماره ركورد كنفرانس :
3184
عنوان مقاله :
تخمين عملكرد چغندرقند بر اساس پوشش سايه انداز گياه با استفاده از الگوهاي پردازش تصوير
عنوان به زبان ديگر :
Yield estimation of sugar beet based on plant canopy using machine vision methods
پديدآورندگان :
لطيف التجار سينا موسسه تحقيقات و آموزش توسعه نيشكر و صنايع جانبي , جعفري عبدالعباس دانشگاه شيراز - بخش مهندسي بيوسيستم , نصيري مهدي دانشگاه شيراز - بخش مهندسي بيوسيستم
كليدواژه :
پردازش تصوير , سايه انداز , غده , عكسبرداري نواري , نقشه عملكرد , تخمين عملكرد , محصولات زراعي , چغندرقند
عنوان كنفرانس :
مجموعه مقالات هشتمين كنگره ملي مهندسي ماشين هاي كشاورزي (بيوسيستم) و مكانيزاسيون
چكيده فارسي :
تخمين عملكرد محصولات زراعي يكي از پارامترهاي مهم براي مديريت اطلاعات و منابع دركشاورزي دقيق است. اين اطلاعات براي بهينه سازي نهاده هاي مورد نياز در كشت هاي بعدي مورد استفاده قرار مي گيرد. در پژوهش حاضر امكان تخمين عملكرد محصول چغندرقند با استفاده از پردازش تصوير بررسي گرديد. براي انجام آزمايش ها از رديف هاي كشت در طي فصل رشد و با فواصل يك ماه عكس هاي نواري تهيه شد. تصوير افقي پوشش سبز بوته ها در انتهاي هر ماه تعيين گرديد. در پايان فصل رشد و پس از استخراج غده ها از زمين، ضريب همبستگي بين سطح پوشش سبز محصول چغندرقند در هر ماه با وزن غده برداشت شده نهايي بررسي شد. نتايج حاصله نشان داد سطح قابل رويت پوشش سبز گياه ميتواند بيانگر عملكرد محصول چغندر قند در كشت پاييزه باشد. بالاترين ضريب تبيين رابطه عملكرد محصول با سطح پوشش سبز گياه، سه ماه قبل از زمان برداشت و برابر با 0/85 بدست آمد. به منظور بررسي ميزان صحت معادله حاصله در سال زراعي بعد با شرايط يكسان زمين كشت و بطور مشابه داده برداري صورت پذيرفت. نتايج حاصله نشان داد كه ميان وزن غده هاي واقعي و وزن غده هاي محاسبه شده از مدل سال گذشته رابطه قوي با ضريب تبيين 0/94 وجود دارد. اين رابطه توانست مقدار عملكرد را با خطاي نسبي حدود 9 درصد تخمين بزند. اين موضوع پتانسيل استفاده از روش عكس برداري نواري را براي پيشگويي عملكرد محصول چغندرقند قبل از زمان برداشت نشان مي دهد.
چكيده لاتين :
Crop yield estimation is one of the most important parameters for information and resources management in precision agriculture. This information is employed for optimizing the field inputs for successive cultivations. In the present study, feasibility of sugar beet yield estimation by means of machine vision was studied. For filed experiments stripped images were taken during the growth season with one month intervals. Horizontal image of plants canopy was prepared at the end of each month. At the end of growth season, beet roots were harvested and correlation between the sugar beet canopy in each month of growth period and corresponding weight of the roots were investigated. Results showed that there was a strong correlation between the beet yield and green surface area of autumn cultivated sugar beets. The highest coefficient of determination was obtained 0.85 at three months before harvest. In order to assess the accuracy of the final model, second year study was performed with the same methodology. The results depicted a strong relationship between actual and estimated beet weights with 0.94 coefficient of determination. The model estimated beet yield with about 9 percent relative error. It concluded that this method has appropriate potential for estimation of sugar beet yield based on band imaging prior to harvest