بخشی از مقاله
چکیده
با افزایش مساحت باغهای انگور ایستاده و به منظور کاهش هزینههای کارگری، مکانیزه کردن عملیات برداشت از مسائل مهم سالهای اخیر می باشد. در این یک تحقیق الگوریتم پردازش تصویر طراحی گردید که ربات را قادر می سازد تا موقعیت خوشه انگور قرمز را بر روی درخت تشخیص دهد.
به منظور طراحی الگوریتم، ابتدا تعداد 500 عکس رقمی از خوشهای محصول در شرایط کاملاً طبیعی تهیه شد. سپس اطلاعات رنگی مربوط به هر کدام از اجزاء تصویر شامل خوشه انگور قرمز و پس زمینه - برگها، آسمان و تنه - استخراج و مورد بررسی قرار گرفت. در نهایت برای شناسایی خوشه انگور قرمز از فضای رنگی RGB استفاده شد. نتایج نشان داد که الگوریتم طراحی شده قادر است %98 از مساحت خوشه انگور را در یک عکس استخراج کند.
.1مقدمه
انگور یکی از محصولات باغی مهم در ایران و دنیا به شمار میآید که به دلیل ارزش اقتصادی و تغذیهای بالا به صورت گسترده کشت می گردد. در حال حاضر کشور ایران با داشتن بالغ بر 306 هزار هکتار باغ انگور با عملکرد 3 میلیون تن میوه در سال یکی از عمدهترین تولیدکنندگان انگور به شمار می آید
در استان آذربایجان غربی به ویژه در مناطق ارومیه و سردشت نیز پرورش انگور و تولید انواع فرآوردههای آن رواج داشته، به طوریکه انگور نقش مهمی در اقتصاد منطقه و امرار معاش بخش عمدهای از ساکنین و کشاورزان آن دارد. عوامل و شرایط متعددی در انبارداری محصولات دخالت دارند از جمله آنها میتوان به نوع رقم، زمان و نحوه برداشت و حمل و نقل اشاره نمود.
یکی از راههای افزایش دسترسی بیشتر مردم به فرآوردههای باغی، جلوگیری از ضایعات در زمان برداشت محصول میباشد. در چند سال اخیر کشاورزان در-یافتند که کارگران قابل اعتماد برای چیدن میوههایی مانند انگور با مشکل مواجه میباشند. لذا مکانیزهکردن عملیات برداشت محصولات باغی - به ویژه انگور - به منظور مصرف تازهخوری، اهمیت زیادی پیدا کرده است. برداشت مکانیزه، نیاز به استفاده از تکنیکهای جدیدی مانند بینایی ماشین دارد که منجر به کاهش ضایعات و افزایش بهرهوری و تولید محصول با کیفیتتر خواهد شد.
تاکنون تحقیقات متفاوتی بر روی برداشت محصولات توسط روش ماشین بینایی صورت گرفته است. فنگ1 و همکاران - 2008 - ، به منظور طراحی ربات مخصوص برداشت توت فرنگی از الگوریتم OHTA معرفی شده توسط ایچی و تاکئو - 1980 - 2، استفاده کردند. نتایج نشان داد که این مدل با دقت %93 قادر به تفکیک کلاس توت فرنگی است.
چوی - 2005 - 3، عارفی و همکاران - 1389 - ، الگوریتمی برای شناسایی گوجهفرنگی رسیده و نرسیده پیادهسازی کردند. روابط رنگی در ترکیبی از فضاهای رنگی RGB، HSI و YIQ نوشته شد. در هر دو تحقیق الگوریتم قادر بود مساحت گوجه-فرنگیها را به ترتیب با دقت 77 و 96 درصد ولی در فضای کاملاً کنترل شده گلخانه و با نور غیر طبیعی شناسایی کنند
تانی گاکی4 و همکاران - 2008 - ، یک روبات برداشت گیلاس که بر اساس مشخصات سامانه بینایی سه نوع تصویر - مادون قرمز، قرمز و رنج - 5 از درختان گیلاس به دست آمده را طراحی کردند. پردازش تصاویر و اجرای الگوریتم آنها فقط شامل بخشبندی تصاویر بود. [11] بولانون6 و همکاران - 2005 - روباتی برای برداشت سیبهای فوجی قرمز طراحی کردند. الگوریتم پردازش تصویر طوری پیادهسازی شده بود که فقط قادر به شناسایی بزرگترین میوه تنها در داخل تصویر بود.
هنتن7 و همکاران - 2002 - ، روباتی برای برداشت خیار گلخانهای طراحی کردند. الگوریتم بینایی طراحی شده، قادر بود خیار را با دقت %95 تشخیص دهد. از آنجایی که رنگ خیار و برگها هر دو سبز میباشد از تکنیک تشخیص بر اساس ویژگیهای طیف رنگی محصول و بوته استفاده شد
زند و همکاران - 1390 - ، روشی جهت آشکارسازی میوه خیار گلخانهای در تصاویر با رهیافت شبکه عصبی پیشنهاد کردند. برای این منظور ابتدا پس از متعادل سازی هیستوگرام روشنایی، تصویر مورد نظر آن را با یک پنجره حاوی تصویر یک خیار ضرب کرده که باعث به وجود آمدن ضرایب بزرگتر در نواحی مشکوک به وجود خیار میشود با استخراج این بیشینههای محلی، دسته نقاط اولیه به عنوان پنجرههای محتمل وجود خیار بهدست میآیند. سپس جهت آشکارسازی دقیق مکان خیارها، این نقاط و نواحی اطراف آنها به یک شبکه عصبی ارجاع داده میشوند که این شبکه با استفاده از تعدادی تصویر شامل تصاویر خیار و تصاویر غیر خیار و پاسخهای مطلوب آنها آموزش داده شده است، نواحی به دست آمده از این شبکه منجر به آشکار سازی دقیق مکان خیارها با دقت %93 در تصویر میشود.
از اهداف کلی این تحقیق میتوان به طراحی یک الگوریتم با دقت بالا به منظور تشخیص خوشه انگور قرمز بر روی درخت با استفاده از تصاویر رقومی به منظور کاهش هزینههای نیروی انسانی برای برداشت خوشه انگور و جایگزین کردن ربات در عملیات کشاورزی اشاره نمود.
.2 مواد و روشها
تصاویر مورد نیاز برای این تحقیق از چهار باغ انگور واریته بیدانه قرمز در شهرستان ارومیه تهیه شد. 500 قطعه عکس رقمی از خوشه انگور قرمز بر روی تاک توسط دوربین رقمی مدل CanonPowerShot SX30 IS با تفکیک پذیری 7 مگا پیکسل گرفته شد. تصاویر از نمای روبهرو، بالا و پایین در فاصله یک متری از خوشهها در شرایط مختلف نور طبیعی - ابری و آفتابی - تهیه شدند.
برای ذخیره و پردازش تصاویر گرفته شده، رایانهای با مشخصات Notebook core i3 - Dell - و برای پیادهسازی الگوریتم بینایی تشخیص خوشه انگور از نرم افزار MATLAB R2010b استفاده شد. به منظور بررسی اثرات نور محیط بر الگوریتم، تصویربرداری در 7 روز از ماههای شهریور و مهر سال 1390 - بهترین زمان رسیدگی انگور - و در شرایط مختلف انجام شد. زمان تصویربرداری در هر روز بین ساعات 9 صبح تا 6 عصر انجام گرفت. به علت تغیرات شدید در وضعیت جوی و متعاقب آن تغییر شدید نور، وضوح و شفافیت اشیاء درون تصاویر نیز متغیر بود. وضعیت نور در عکسهای تهیه شده از حالت هوای ابری و کم نور، تا حالتی که نور مستقیماً به داخل درخت و یا از پشت سر درخت می تابد متغیر بود.
شکل -1 خوشه انگور قرمز - برای مشاهده نواحی رنگی در شکل از چاپ رنگی یا نسخه رقمی مقاله استفاده شود -
شناسایی خوشه انگور در دو مرحله اصلی شامل مرحله حذف پسزمینه و مرحله تشخیص انگور قرمز انجام گرفت - شکل . - 1 برای تشخیص خوشه انگور قرمز بر روی درخت و جدا نمودن آن از سایر کلاسهای تصویر، الگوریتم تشخیص بر اساس رنگ طراحی شد. فضای رنگی RGB برای انجام پردازشها مورد استفاده قرار گرفت. این الگوریتم بر اساس عملیات روی مولفههای رنگی مجزای قرمز، سبز و آبی و عملیات روی هم گذاری آرایهها - آدرسدهی آرایهای آرایهها - و روشهای آستانهگیری بنیان نهاده شده است. این الگوریتم کلیه اشیاء درون تصویر را به چهار گروه خوشه انگور، برگهای سبز، شاخهها و آسمان دستهبندی میکرد. هر یک از این گروههای درون تصویر کلاس نامیده میشود. بنابراین خروجی الگوریتم طراحی شده عبارت است از کلاس خوشه انگور قرمز، کلاس برگها، کلاس شاخهها و کلاس آسمان.
مرحله اول در شناسایی خوشه انگور قرمز حذف پسزمینه میباشد. حذف کامل و درست پسزمینه در شناسایی انگور قرمز بسیار مؤثر میباشد. برای آنکه بتوان پسزمینه را حذف کرد ابتدا لازم است که خصوصیات رنگی مربوط به هر کدام از اجزاء تشکیل دهنده تصویر استخراج شوند. برای استخراج خصوصیات رنگی کلاسهای تصویر اعم از انگور، برگ، تنه و آسمان از مولفههای رنگی R ، G و B از فضای رنگیRGB استفاده شد.
