استفاده از تكنيك ماشين بينايي براي تشخيص علف هرز در مزرعه سيبزميني

Application of Machine-Vision Technique for Identification of Weeds in Potato Fields

فناوري ماشين بينايي ميتواند به عنوان سامانهاي براي تشخيص موقعيت توده هاي علف هرز در سطح مزرعه در حين حركت ماشين، به منظور كاهش مصرف سموم شيميايي استفاده شود. در اين تحقيق عوامل موثر بر دقت و كارايي سامانه پردازش تصوير در تشخيص علف هرز از گياه اصلي بر مبناي ويژگي هاي رنگي گياه بررسي شد. اثر سه عامل شرايط نوري محيط، مرحله رشد گياه اصلي و نوع علف هرز بر ميزان خطا در تشخيص گياه اصلي (سيب زميني) از پنج نوع علف هرز شلمبيگ، پيچك، گندم، كنگر وحشي و آتريپلكس بررسي شد. نتايج نشان داد كه بين دو شرايط نورپردازي آفتابي و تصويربرداري در سايه تفاوت معنيداري در ميزان دقت تشخيص وجود ندارد. اما تأثير دو عامل نوع علف هرز و مرحله رشد بطور قابل ملاحظهاي بر عملكرد سيستم تشخيص معنيدار بود. بطوريكه بهترين زمان براي تصويربرداري، اولين مرحله رشد محصول سيب زميني است (اوايل تير ماه) و در بين پنج نوع علف هرز نيز ميتوان شلمبيگ را با دقت قابل قبولي صرفا بر اساس مدل رنگي RGB از گياه اصلي متمايز نمود. در اين روش امكان تعيين موقعيت مراكز ثقل تودههاي علف هرز بصورت دكارتي نسبت به صفحه تصوير با دقت بيشينه 95% بسته به شرايط مختلف تيماري امكانپذير است.

In order to reduce amount of pesticides used, machine vision technique can be applied to identify the location of weeds around main crop in a field as the machine moves. The purpose of present investigation was to determine the accuracy of image processing method in identification of weeds in standing potato crop, according to color features. Research was conducted in research field of University of Mohaghegh-Ardabili, and three factors namely: environmental light condition (direct sunlight and shadow), type of weed (Shalambig, Pichack and Wheat) and stage of crop growth, were investigated. Results showed that there are no significant differences between two types of environmental light conditions. However, the main and interactive effects of two factors of type of weeds and level of crop growth were significant on identification performance of system. According to the results obtained, the first stage of crop growth is the best time for the visual tests (middle of the June) and among the three types of popular weed in the region, it is possible to identify the wheat from potato leaves with a reasonable accuracy according to RGB color model. Finally it can be concluded that by application of machine vision technique, it is possible to determine the location of weeds around the main crop by maximum accuracy of 95% dependent to different condition of treatments.