به كار گيري روش هاي پردازش تصوير و تكنيك استريوويژن به منظور تعيين نقاط قطع در هرس بوته انگور

Applying image processing methods and stereo vision techniques to determine the cut-off points in the pruning of grape vine

استفاده از ماشين هاي هرس هوشمند مي تواند باعث كاهش نيروي كار مورد نياز براي هرس تاكستان ها گردد. در اين پژوهش تلاش گرديده است الگوريتمي ارائه شود كه با استفاده از روش هاي پردازش تصوير و تكنيك استريوويژن قادر باشد نقاطي از بوته انگور را كه در حين هرس بايد قطع گردند مشخص كند. پس از تهيه عكس ها به روش استريوويژن، از آنها به عنوان ورودي الگوريتم استفاده شد. در اولين مرحله، فاصله بوته ها از دوربين ها محاسبه گرديد. سپس شاخه هايي كه ضخامت آن ها كم بود از تصاوير حذف شدند و تنه اصلي مشخص گرديد. سپس بر اساس قطر شاخه ها، شاخه هاي يك ساله مشخص و با در نظر گرفتن پارامترهاي هرس، اين شاخه ها هرس شدند. در مرحله نهايي با بر چسب گذاري شاخه هاي حذف شده در مراحل مختلف نقاط قطع شاخه ها مشخص گرديد. نتايج ارزيابي الگوريتم نشان داد كه در همه تصاوير مورد استفاده شاخه اي يك ساله به درستي توسط الگوريتم مشخص شده بودند و در بين 254 نقطه قطع استخراج شده از 20 عكس، در مجموع 7 نقطه هرس به اشتباه تشخيص داده شده بود. اين نتايج نشان مي دهد كه دقت الگوريتم نوشته شده برابر با 96/8 درصد است

The use of intelligent pruning machines can reduce the labor required to prune the vineyards. In this research, attempts have been made to develop an algorithm able to locate points on the grape canopy should be cut while pruning using image processing and stereo-vision techniques. Required stereovision images were collected from grape shrubs and used as input of the algorithm. At the first stepe, the distances of shrubs from the camera were calculated. Then branches that had low thickness were omitted from images and the shrub trunks were identified. Then, based on the branch diameter, the one-year-old branches were determined and pruned regarding pruning parameters. At the last step, the cutting points on the branches were determined by labeling of removed branches at each step. The results showed that in all images used for algorithm evaluation, the one-year-old branches were correctly identified by algorithm. Also among 254 cutoff-points extracted from 20 images, just 7 pruning points were misdiagnosed. These results revealed that the accuracy of developed algorithm was about 96.8 percent