ارزیابی یکنواختی کاشت نشاء ذرت توسط دستگاه نشاءکار با روش پردازش تصویر

کشت ذرت به صورت نشاء می تواند به عنوان راهکاری برای تولید محصول زودرس، کاهش زمان تولید و نیز صرفه جویی در مصرف آب و نهاده های مختلف کشاورزی تلقی شود. لذا هدف از پژوهش حاضر توسعه الگوریتمی به منظور ارزیابی یکنواختی کاشت در نشاءکار با کمک پردازش تصویر در نظر گرفته شد. به منظور تعیین تعداد نشاء، تبدیل های مختلفی(سبزی بیش ازحد، شاخص اختلاف شدت نرمال شده مقادیر قرمز و سبز و شاخص اختلاف شدت نرمال شده مقادیر آبی و سبز) مورد ارزیابی قرار گرفتند. سپس با اعمال آستانه گذاری به روش اتسو اطلاعات نشاءهای ذرت از پس زمینه جدا گردیدند. نهایتاً با پیاده سازی روش برچسب گذاری فریمن و روش هریس و آنالیز ویژگی های نواحی دارای همپوشانی، الگوریتم خودکاری به منظور شمارش نشاءهای ذرت در این نواحی توسعه یافت. بیشترین قدرت تشخیص سامانه در سرعت پنج کیلومتر در ساعت، برابر 100 درصد بود. همچنین قدرت تشخیص سامانه در سرعت های 8،10 و 12 کیلومتر در ساعت به ترتیب 99،98 و 97 درصد مشاهده گردید نتایج نشان داد سامانه توسعه یافته به خوبی و تنها با خطای حدود سه درصد، با صحت بیش از 97 درصد قادر است در تمامی سرعت ها نشاءهای کشتشده را شمارش نماید. الگوریتم توسعه یافته در سرعت های 5،8،10 و 12 کیلومتر بر ساعت به صورت برخط مورد ارزیابی قرار گرفت. طبق نتایج به دست آمده بهترین یکنواختی و تک نشاءکاری توسط دستگاه نشاءکار در سرعت 5 کیلومتر بر ساعت با درصد کشت درست 97 درصد و بیشتریندرصد کشت نادرست در سرعت 12 کیلومتر بر ساعت و برابر 21 درصد به دست آمد. بنابراین، بر اساس مطالعه حاضر، با توجه به صحت بدست آمده، الگوریتم توسعه یافته نه تنها برای شمارش تعداد نشاءهای ذرت در مزرعه بلکه برای ارزیابی یکنواختی کاشت دستگاه های کشت نشاء نیز قابلاستفاده می باشد.

assessment of uniformity of corn seedling planting in transplanted using image processing

cultivation of corn as a seedling could be considered as a way to produce an early crop, reduce production time and also save water and agricultural inputs. therefore, the aim of the present study is developing an algorithm for evaluation of the planting uniformity in transplanting using image processing. in order to determine the number of seedlings, different transformation methods (excessive green, green and red normalized difference index and green and blue normalized difference index) were evaluated. then, the corn seedlings information was taken out from the circumstantial information using otsu’s method. finally, by applying freeman labeling and harris method and analyzing the characteristic parameters of the overlapping regions of the fields, an automatic counting of corn seedlings in the overlapping regions was established. the developed algorithm was evaluated online at speeds 5, 8, 10 and 12 km / h. according to the obtained results, the best uniformity and single transplanting were achieved at a speed of 5 km / h with an accuracy of 97%. furthermore, the highest percentage of incorrect planting was obtained 21% at a speed of 12 km / h. therefore, the study demonstrated that the newly developed algorithm is reliable not only for automatic corn seedlings counting in the corn field but also for the uniformity evaluation of the transplanter.