بخشی از مقاله
چکیده
هدایت ماشینهای کشاورزی داخل ردیفهای مزرعه برای اجرای عملیات خاکورزی، به ویژه عملیات داشت - تنککردن، وجین کردن و سمپاشی - و برداشت علاوه بر حساسیت و نیاز به دقت بالا، خستگی زیادی برای راننده به همراه دارد. روش های هدایت خودکار ماشین در مزرعه شامل الف - هدایت نسبت به ردیفهای محصول و یا عملیات قبلی، مانند ردیفهای شخم خورده، کشت شده، برداشت شده ب - هدایت بر اساس سیستم موقعیت یابی جهانی - GPS - میباشد.
هدف این تحقیق استفاده از تکنولوژی بینایی ماشین جهت ارائه ی یک رویکرد جدید برای تشخیص ردیف محصول می باشد که بر اساس تبدیل هاف در مقیاس خاکستری بر روی تصاویر و در نتیجه بهبود قابل توجهی از سرعت پردازش تصویر با هم ادغام شدهاند. تصاویر مورد آنالیز در این تحقیق به منظور عملیات تنککنی و وجینکنی در مرحله 4 تا 6 برگی با استفاده از یک دوربین دیجیتال - Sony Cyber Shot w200 - CCD از مزارع چغندرقند شهرستان نقده تهیه گردید.
به منظور حذف زمینه خاکی و تشخیص گیاه، فضاهای رنگی و تبدیلات مختلف توسط نرم افزار MATLAB R2011b مورد بررسی و آنالیز قرار گرفت. نتایج آنالیز تصاویر در فضاهای مختلف نشان داد که فضای رنگی RGB و تبدیل - ترکیب - - 2R-G+B - بهترین انتخاب برای جداسازی محصول از زمینهی خاکی میباشد. مهمترین منبع ایجاد خطا در الگوریتم تشخیص ردیف محصول، علف های هرز در تصاویر میباشد. نتایج نشان داد که الگوریتم طراحی شده قادر به تشخیص ردیف چغندرقند در مراحل مختلف رشد میباشد. خطای متوسط بین تشخیص ردیف های محصول در شرایط واقعی 24 میلی متر و زمان متوسط پردازش هر تصویر 0.12 ثانیه به دست آمد.
مقدمه
کشاورزی دقیق یکی از مهم ترین دستاوردهای فنآوری معاصر به منظور مدیریت تولید محصول به طور طبیعی میباشد. کشاورزی دقیق در شورای ملی تحقیقات آمریکا - 1998 - به عنوان مدیریت استراتژی با استفاده از فن آوریهای اطلاعات از منابع مختلف و تصمیمگیریهای مرتبط با تولید تعریف شده است.
یکی از راههای کاهش مواد شیمیایی استفاده از تکنیکهای دقیق عملیات کشاورزی بوده، طوری که مصرف مواد شیمیایی را حداقل و اثر آنها را ناچیز سازد. استفاده از هدایت خودکار نه تنها خستگی کاربر را کاهش داده بلکه بهرهوری و ایمنی عملیات را افزایش می دهد. در مزارع بیشتر کاربرد در کنترل علفهای هرز و تنککنی میباشد. در سراسر جهان 201نوع علف هرز وجود دارد که برای مبارزه با آن ها از 19 گروه عمده علفکش استفاده میکنند. در هلند به طور متوسط در یک هکتار چغندر قند 73 ساعت وجین دستی نیاز بوده است
یکی از راههای پیشرفت رباتیک در کشاورزی استفاده از سنسور بینایی ماشین میباشد. یکی دیگر از کاربردهای تشخیص ردیف در عملیات کاشت می باشد. رباتیک میتواند نقش بسزایی را در این راستا بازی کند. تقسیمبندی تصویر یک وظیفه مهم در کاربرد روشهای ماشین بینایی در کشاورزی دقیق است. الگوریتمی که بر اساس یکی از ویژگیها از قبیل رنگ یا شدت نوشته شود، به دلیل همپوشانی قابل توجهی بین سه کلاس رنگی در هر بعد از فضاهای رنگی که معمولاً وجود دارد به ندرت دارای دقت کافی هستند. کاربرد سنتی علف کشها بر اساس این فرض است که علف های هرز یکنواخت در سطح مزرعه توزیع شده اند. بیشتر تحقیقات به منظور توسعه عملی تکنیک تشخیص علف های هرز و کنترل اسپری علف کشها انجام میشود.
با در نظر گرفتن آلودگی سطح مزرعه توسط بقایای علف هرز و بذر آن ها وجین کردن اجتناب ناپذیر می باشد. اکماتو و همکاران - 2002 - از یک ماشین بینایی برای تشخیص ردیف محصول برای هدایت خودکار استفاده کرده و یک کولتیواتور متحرک مجهز به سیستم تعلیق هیدرولیکی برای مبارزه با علف های هرز در بین ردیف ها را به حرکت در می آورد. در حالت دوم با توجه به پیچیدگی کار و شرایط بسیار متفاوت در مزرعه محققان همیشه دست به ساده سازیها در این زمینه زدهاند که از آن جمله می توان به تحقیق در شرایط آزمایشگاهی با نور کنترل شده، استفاده از خاک با بافت یکسان و یا تهیه عکس به گونهای که فقط شامل تنها گیاه و یا تنها علف هرز باشد.
تانگ و تیان - 2002 - از بینایی ماشین برای تعیین فاصله بین ذرت استفاده کردند. میانگین خطای کمتر از 10 میلیمتر در کمترین تصحیح رخ داد. سوگارت و السن - 2003 - با استفاده از ماشین برای تشخیص ردیفهای کاشت از محصول استفاده کردند. محیطعکس برداری یک قاب متحرک برای تصویر برداری با سرعت 0/5 متر بر ثانیه و گرفتن 3 عکس در ثانیه بود. آزمایشات آنها نشان داد که میتواند موقعیت ردیفهای کاشت با خطای در حدود -6تا -12 میلیتر که بستگی به توسعه محصول در اطراف خط مرکزی دارد، شناسایی کنند.
لی و همکاران - 1999 - با استفاده از بینایی ماشین یک ربات برای کنترل علف های هرز گوجه فرنگی طراحی کردند که زمان پردازش هر عکس 34ثانیه0/ طول می کشید. آنها از دو لامپ هالوژن در محیط عکس برداری با زاویهی 30 درجه نسبت بهم استفاده کردند. سیستم اسپری سمپاشی سولونوئیدی در انتهای ماشین استفاده کردند.
نتیجهی کار روی هم رفته نشان داد که 24درصد گوجه فرنگی بطور غلط شناسایی شد و 52/4 درصد علف های هرز سمپاشی نشدند. هایربات کنترل علف هرز شامل دو سیستم ماشین بینایی میباشند سیستم اول در مقیاس خاکستری که قادر به شناسایی ساختار ردیف محصول برای هدایت ربات در طول مسیر بوده و سیستم دوم بر اساس مقیاس رنگی توانایی تمایز محصول اصلی در بین علف های هرز می باشد. این رباتها فقط توانایی کنترل علفهای هرز را در بین ردیف را داشته و قادر به کنترل علف هرز روی ردیف نمیباشند.
در این پژوهش، به منظور توسعه یک سیستم بینایی ماشین مبتنی بر الف - تقسیم پوشش گیاهی ازپس زمینه محصول ب - جدا کردن و شناسایی ردیف محصول پرداخته شده است. عمل کردن در زمان واقعی یک هدف برای این سیستم بوده به طوری که می توان آن را به عنوان یک زمان واقعی بدون وقفه برای سرعت متغیر استفاده کرد. هدف از این تحقیق، ارائه یک روش جدید تشخیص ردیف کشت بر اساس تبدیل هاف ، برای هدایت ماشین بین ردیفهای کشت با دقت و سرعت مناسب است
مواد و روشها
یکی از محصولات عمده صنعتی چغندر قند میباشد که به صورت مستقیم و غیر مستقیم بخشی از نیازهای غذائی مردم را تأمین می کند. چغندر قند به چهار گونه از جمله: چغندر قند، لبوئی، علوفهای و برگی متمایز می گردد. چغندرقند به صورت ردیفی کشت و از جمله مشکلات کشت آن کنترل علفهای هرز بین ردیفها، روی ردیفهای کشت و تنک کنی میباشد. فاصله بین خطوط کاشت 50 تا 60 سانتیمتر باشد، فاصله بوتهها روی خط 16تا 20 سانتیمتر باشد. این فاصلهها باید طوری تنظیم شود که تعداد 100000 بوته در هکتار بدست آیددفع. علف های هرز بین ردیف ها ساده تر از روی ردیف ها بوده چون داخل ردیف فقط شناسایی ردیف لازم هست ولی روی ردیف علاوه بر شناسایی ردیف به تمایز بین علف هرز از گیاه اصلی پرداخته شود.
تصویر برداری و تهیه تصویر: این پژوهش از پایگاه داده های تصاویر سه مزرعه چغندرقند کشت شده با کارنده پنوماتیک با تراکم بوته ی 100000 تا 200000 در هکتار ، از اواسط اردیبهشت تا اواخر خردادماه بهار 1390 شهرستان نقده استفاده شده است. این تصاویر توسط دوربین CCD دیجیتال Sony Cyber-Shot W200 پیکسل تصاویر با رزولشن 2048*1538، با فرمت فشرده سازی Jpeg، و با وضوح رنگ - به صورت دادههای - 24 بیتدر شرایط کاملاً طبیعی و کنترل نشده از لحاظ نور و سایه در ساعات مختلفی از روز با شرایط مختلف جوی گرفته شده اند . بدین منظور از یک قاب برای نصب دوربین در دو ارتفاع 1 و 2 متر و با دو زاویهی 40 و صفر درجه عمودی در مزرع استفاده شد.
پیش پردازش: در این مرحله کارهای مقدماتی برای اصلاح و بالا بردن کیفیت تصاویر برای نتیجه دلخواه روی تصاویر انجام میگیرد. در این مرحله ویژگیهای مناسب برای طبقهبندی و تشخیص تعداد و محلهای محصول از تصاویر استخراج میشود
پردازش تصویر: در این مرحله ویژگیهای مناسب برای طبقهبندی و تشخیص تعداد و محلهای محصول از تصاویر استخراج میشود. در این تحقیق برای پردازش تصاویر از نرم افزار Gonzalez and ] MATLAB R2011b [Woods. 1992 جعبه ابزار پردازش تصویر تحت سیستم عامل هفت - - Windows 7 و کامپیوتر با مشخصات سخت افزاری - Processor: Intel ® Core - TM - 2 Duo CPU E7400 @ 2.8 GHz, Installed memory: - 2.00 GB RAM, System type: 32-bit Operating System استفاده شده است.
تعداد تصاویر دیجیتال مورد استفاده 400عدد در شرایط نوری کاملاً طبیعی و مختلف میباشد. نور طبیعی بهطور معن یداریبا شرا یط آب و هوایی، جهت دید، ساعتی از روز، موقعیت جغرافیایی تغییر میکند بنابراین استفاده از نور طبیعیکاملاً با شرایط مصنوعی نور پردازی متفاوت بوده زیرا از لحاظ کیفی نمیتواند استاندارد سازی شود و پایدار بماند. علاوه بر کیفیت نور، محدودیتهای فیزیکی سخت افزار استفاده شده برای گرفتن تصویر باعث به وجود آمدن نویز از هر دو شکل سیستماتیک و تصادفی آن در داده های تصویری می گردد. نقش اصلی پردازش تصویر عبارتست از ایجاد تغییر در داد ه های تصویری و ایجاد یک تصویر جدید به گونهای که در این تصویر جدید قسمتهایی از تصویر که مورد نظر می باشند از لحاظ کیفیت بهبود یافته باشند و یا از اثرات نویز کاسته و یابه کل ی حذف شده باشند.
شناسایی ردیف های محصول با استفاده از بینایی ماشین مشکلاتی را به همراه دارد که موجب تفاوت کلی آن با سایر کاربردهای این تکنولوژی نظیر جداسازی و طبقهبندی محصولات کشاورزی میشود. علاوه بر این، قسمتهای مختلف گیاه نیز دارای رنگ های متفاوتی میباشند. در شرایط مزرعه شدت نور قابل کنترل نیست و سایهاندازی گیاهان روی هم و نیز دستگاهها و موانع بر روی گیاهان و تغییر زاویه تابش، شدت نور را تغییر می دهد.
الگوریتم نوشته و توسعه داده شده به صورت خودکار ردیف را شناسایی و علفهای هرز در منطقه بین ردیف را حذف می کند - شکل . - 2 الگوریتم پویش - اسکن - تطبیقی موقعیت لبهی محصول روی ردیف را شناسایی م یکند با. استفاده از پروفایل های رسم شده در شکل - 1 - می توان از مولفهی سبز گیاه سبز برای جداسازی زمینه استفاده کرد. از دره ی نمودار هیستوگرام - شکل 1 ت - به عنوان مقادیر آستانهگذاری برای جداسازی گیاهان از زمینه استفاده کرد.از این رو در جداسازی از روابطهی - 1 - استفاده شود که به نحوی نسبت به تغییرات شدت نور بیتفاوت باشند.
