استفاده از تکنیک پردازش تصویر و شبکه‌های عصبی مصنوعی برای شناسایی علف‌های‌هرز مزارع ذرت

علف‌های‌هرز به صورت لکه‌ای در مزرعه سبز می‌شوند. سمپاشی لکه‌ای علف‌های‌هرز، موجب کاهش مصرف علف‌کش‌ها، هزینه و آلودگی محیط زیست می‌شودد. برای تصمیم‌گیری در زمینه کنترل توسط فن آوریِ بینایی ماشین که در سمپاشی لکه‌ای به کار می‌رود، به تصویر و پردازش آن نیاز است. شناسایی درست علف‌های‌هرز و طبقه‌بندی آن‌ها، کلید اتخاذ تصمیمات کنترلی و اجرای عملیات سمپاشی است. در این تحقیق، روشی مبتنی بر ترکیب پردازش تصویر،  برای جداسازی علف‌های‌هرز از سایر اجزای تصویر و شبکۀ عصبی مصنوعی برای طبقه‌بندی پیشنهاد شده است. علف‌های‌هرز شامل تاج خروس ریشه قرمز،سلمه تره، آفتاب پرست، تاج خروس خوابیده ، تاج ریزی، سوروف و گاورس بودند. نتایج نشان داد که این الگوریتم، با دقت قابل قبولی علف‌های‌هرزرا از خاک جداسازی کرد. در گام بعد، ویژگی‌های مرتبط با رنگ و شکل، از علف‌های‌هرز استخراج شدند. سرانجام، به منظور طبقه‌بندی هفت کلاس علف‌هرز، از روش شبکه عصبی مصنوعی پرسپترون، با ساختار 7-15-15-43  و میانگین دقت کل 88.71 درصد استفاده شد. نتایج حاصل از این مطالعه نشان داد که سامانه پیشنهادی، توانایی تشخیص علف‌های‌هرز با دقت مناسب را دارد. کاربرد چنین سامانه هایی می‌تواند با تشخیص به موقع علف‌های‌هرز و کاهش مصرف علف‌کش‌ها، بروز پدیده مقاومت علف‌های‌هرز به علف‌کش‌ها را به تاخیر اندازد و آلودگی‌های زیست محیطی را کاهش دهد.

Weeds identification in corn fields based on image processing techniques and artificial neural networks

Weeds normally grow as patches and spatially distributed in field. Patch spraying to control weeds has advantages such as cost reduction, herbicide saving and reduction of environmental pollution. Machine vision system should obtain and process digital images to make control decisions. Proper identification and classification of weeds are the key steps to make control decisions and use of any spraying operation performed. In this study, a robust method based on image processing and computational intelligence was developed for segmentation from other parts of image and classification of weeds. Large crabgrass, common lamb’s quarter, velvetleaf, common barnyard grass, European black nightshade, redrooted pigweed and European heliotrope were the weeds in the experiment. Results showed that this algorithm was precisely separated weeds from the soil. In the next step, the feature vector, which includes shape features and color features, was composed. Finally, classification of seven classes of weeds was carried out by artificial neural network (ANN). Among different ANN structures, the most optimum classifier was the 4315157 topology with accuracy 88/71 %. The results of this research indicate that the proposed system has the ability to accurately detection of weeds.