بخشی از مقاله
تشخیص علف هرز از گیاه کدو با استفاده از ترکیب پردازش تصویر و شبکه عصبی خودسازمان ده
خلاصه
در سالهای اخیر، پردازش تصاویر در حوزه کشاورزی توانسته کمکهای زیادی به بهبود کیفیت محصولات کشاورزی داشته باشد. این پژوهش برای یافتن آفتهای گیاه کدو انجام شده است. محل اجرای طرح شهرستان نیشابور بوده و از علفهای هرز غالب مزرعه خلفه می باشد. تصاویر با دوربین دیجیتال و در شرایط نور طبیعی از سطح مزرعه تهیه شده است. تصاویر، دارای وضوح 480*640 هستند. در این سیستم از مدل رنگی RGB و الگوریتم شبکه عصبی خودسازمان ده برای پردازش تصاویر استفاده شده است. نتایج نشان می دهد این روش قابلیت تشخیص نویز را به خوبی داراست.
کلمات کلیدی: پردازش تصویر، تشخیص علف هرز، شبکه عصبی.
1. مقدمه
در سال های اخیر دولت ها، محققان و کشاورزان این نکته را دریافته اند که رشد جمعیت مستلزم بهبود فعالیت های مربوط به عرصه کشاورزی است .[1] برای تحقق هدف فوق و بهبود محصولات کشاورزی، بوسیله کاهش علف های هرز و به حداقل رساندن مضرات علف کش های شیمیایی[2] می توان روش های جالبی را ابداع کرد. از جمله ربات های برداشت محصول، که قادر به حرکت بین ردیف های محصول بوده و پس از ثبت موقعیت محصول و علف هرز توسط دوربین و یک دریافت کننده موقعیت، پیاده سازی شدند. مانند گوجه های گیلاسی (1996)، خیار (2002)، قارچ (2001)، چغندرقند(.(1385
در سال 1995 کار بر روی تصاویر RGB کمک شایانی به تشخیص علف های هرز داشته است.[3] البته مدل های دیگری در سال های بعد پیشنهاد شد.[4] تراپ و تیان در سال 2004 با ارائه روش مدیریت علف های هرز با استفاده از مواد شیمیایی [5] به جمع آوری اطلاعات کاملی در این زمینه پرداختند. در سال 2009 پردازش تصویر کلاسیک و الگوریتم ژنتیک به تشخیص محصول از علف هرز منجر شد. و در نهایت پردازش تصویر بلادرنگ برای جداسازی علف هرز از محصول اصلی در زمین های ذرت در سال [6]2011 انجام شد.
امروزه استفاده از تکنولوژی ماشین بینایی و تکنیکهای پردازش تصویر دیجیتال در حوزه صنعت و به ویژه کاربرد آن در کنترل کیفیت محصولات تولیدی، هدایت روبات و مکانیزمهای خود هدایت شونده روز به روز گسترده تر شده که مزایایی از جمله: افزایش سرعت و کیفیت تولید،کاهش ضایعات، اصلاح روند تولید و گسترش کنترل کیفیت را در بخش کشاورزی در پی خواهد داشت. هدف اصلی این مقاله، مطالعه و توسعه سیستم بینائی ماشین و روش پردازش تصویر برای شناسائی علف هرز کدو در سطح مزرعه است .
در بخش مقدمه، مقالات علمی موثر در زمینه ی مرتبط با این پژوهش بررسی شدند. در بخش 2، ابزارهای مورد استفاده این مقاله، توضیح داده میشود. مکانیزم روش پیشنهادی در بخش 3 بیان شده است. در نهایت، در بخش پیاده سازی، آزمایشهای صورت پذیرفته با جزئیات کافی تشریح میگردد. کارایی روش پیشنهادی این مقاله برای تشخیص علف هرز از گیاه کدو در آزمایشات متعدد صورت پذیرفته اثبات شده است. لازم به ذکر است جزئیات عملیاتی و ابزارهای فیزیکی مورد استفاده، در قسمت پیاده سازی بیان شده است. در این مقاله سعی شده است که با استفاده از تکنیک پردازش تصویر راهکاری جهت تشخیص علف هرز از گیاه اصلی کدو ارائه شود. برای نیل به این هدف شناخت تکنیک پردازش تصویر به ویژه تصاویر دیجیتال و استنتاج ویژگی هایی از تصویر و پردازش آن توسط شبکه های عصبی خودسازمان ده ضروری است.
2. شناسایی گیاه اصلی و علف هرز از تصویر
در این بخش، ابزارهای مورد استفاده جهت آماده سازی و پردازش تصویر بررسی می شود.
.2.1 آماده سازی تصاویر
محل گرفتن تصاویر نمونه، شهردَرّرود، در 20 کیلومتری نیشابور و همجوار قدمگاه، در مسیر جاده مشهد میباشد. از علفهای هرز غالبمزرعه، خُلفه است. تصاویر، با استفاده از نرم افزار متلب ورژن 2012 مورد تحلیل قرارگرفته است. ضمناً تصاویر، به صورت رنگی (RGB) می باشند.
.2.2 پردازش تصویر
پردازش تصاویر دیجیتال، با پردازش سیگنال دیجیتال سروکار دارد و میکوشد با بهره بردن از الگوریتمهای کامپیوتری، پردازش تصویر را بر روی تصاویر دیجیتال اعمال کند. در مقایسه با پردازش تصویر آنالوگ، روشهای مبتنی بر پردازش تصویر دیجیتال دارای مزیتهای متعددی هستند که از آن جمله میتوان به توانایی استفاده از الگوریتمهای متعدد و پیچیده و همچنین عدم افزودن نویز در حین پردازش اشاره کرد.
.2.3 شبکه عصبی خود سازمان ده
یک نگاشت خود سازمان ده یک نوع شبکه عصبی مصنوعی است که از طریق یادگیری بدون نظارت برای تولید فضای حالت با بعد کم، از فضای ورودی، آموزش داده می شود. این مدل ابتدا توسط پروفسور کوهونن به عنوان یک شبکه عصبی مصنوعی ارائه شده است و به همین دلیل این نگاشت را نگاشت کوهونن نیز می نامند.(شکل(1 همانند بسیاری از شبکه های عصبی مصنوعی دیگر، SOM(Self Organization Map)، نیز در دو فاز عمل می کند. فاز آموزش و فاز تست. در فاز آموزش، نگاشت مربوطه با استفاده از مثال های ورودی ساخته می شود.
شکل :1 مدل ساختاری شبکه کوهونن یک بعدی
3. مکانیزم روش پیشنهادی
در این بخش، روش پیشنهاد شده در این مقاله، توضیح داده می شود. در این مرحله، تصویر ورودی آستانه گیری شده و پس از تمیز پیکسل های گیاه اصلی، آموزش توسط شبکه عصبی انجام می شود که در شکل 2 نشان داده شده است.
