تشخیص علف‌هرز چاودار از گیاه سیب‌زمینی با استفاده از پردازش ویدئو و هوش محاسباتی

علف‌ هرز به دلیل رقابت با محصولات کشاورزی برایدستیابی‌‌ به آب، مواد مغذی، نور خورشید و . . . باید از مزرعه حذف شود. روش‌های مختلفی برای مبارزه با علف‌های هرز وجود دارد مانند روش‌های مکانیکی، دستی و استفاده از علف‌کش‌ها که در میان کشاورزان، امروزه کاربرد علف‌کش‌ها رایج‌تر است اما این کار به دلیل استفادۀ یکسان در کل مزرعه، به آلودگی زیست محیطی انجامیده است. در این مطالعه، یک سیستم ماشین بینایی مبتنی ‌بر پردازش ویدئو به‌منظور شناسایی علف‌هرز چاودار از گیاه سیب‌زمینی جهت پاشش بهینۀ علف‌کش پیشنهاد شده است. پس از فیلم‌برداری، پیش‌پردازش و قطعه‌بندی، 965 شیء شناسایی شد. از هر شیء، 14 خصوصیت استخراج شد. با استفاده از روش فراابتکاری هیبرید شبکۀ عصبی مصنوعی – الگوریتم ژنتیک از میان 14 خصوصیت استخراجی، 6 خصوصیت میانگین، ممان سوم، خودهمبستگی، همبستگی، عدم تشابه و آنتروپی به عنوان خصوصیات موثر انتخاب شدند. کل داده‌ها به دو دسته تقسیم شدند: داده‌های آموزش (70 درصد کل داده‌ها) و داده‌های تست و اعتبارسنجی (30 درصد کل داده‌ها). با استفاده از طبقه‌بند هیبرید شبکۀ عصبی مصنوعی – الگوریتم مبتنی بر جغرافیای زیستی، طبقه‌بندی انجام گرفت. با دو روش تحلیل ماتریس اغتشاش و بررسی نمودار roc، عملکرد سیستم طبقه‌بند ارزیابی شد. سه معیار حساسیت، دقت و ویژگی با استفاده از ماتریس اغتشاش محاسبه شد. نتایج تحقیق نشان می‌دهد که میزان حساسیت، دقت و ویژگی سیستم طبقه‌بند به‌ترتیب بالای 99، 99 و 98 درصد است. می‌توان نتیجه گرفت که امکان ساخت سیستم ماشین بینایی با هدف ذکر شده که به صورت برخط کار می‌کند وجود خواهد داشت.

Recognition of Secale Cereal L Weed from Potato Plant using Video Processing and Computational Intelligence

The weeds must be removed from the field due to their competition with principal crops to use water, nutrients, sunlight, etc. There are different methods to remove the weeds: mechanically, manually or chemically (applying herbicides). For farmers, applying herbicides is a usual way, but brings some concerns, from the point of environmental issues, due to equal application of chemicals all over fields, regardless the presence or absence of weed. For this reason, a machine vision system based on video processing was proposed to recognize Secale cereale L. (as a weed) from potato plant (as principal crop) to make herbicide application more accurate. Nine hundred sixty five objects were recognized after taking videos, preprocessing and segmentation. Fourteen features were extracted from each object. Using the hybrid artificial neural networkgenetic algorithm, of 14 extracting features, only 6 features were selected as effective ones: average, the third moment, autocorrelation, correlation, dissimilarity, and entropy. Data were classified into two groups: training data (70% of the total data) and testing data (30% of the total data). The classification was performed using hybrid of artificial neural network Biogeography Based Optimization (BBO) algorithm. Performance of classification system was evaluated through analysis of confusion matrix and Receiver Operating Characteristic (ROC). Sensitivity, specificity, and accuracy were calculated using confusion matrix. The results showed that the sensitivity, accuracy and specificity of classification system reached to an acceptable level: 99.49 %, 99.65% and 98.91%, respectively. Our conclusion is that it is possible to manufacture the machine vision system with mentioned aims that work as online.