تخمین تراکم گیاهچه های کلزا در مرحله دوبرگی برمبنای پردازش تصویر و با استفاده از ترکیب الگوریتم های مدل مخلوط گوسی و خوشه بندی نزدیک ترین همسایگی

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 147

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ERAMS-22-80_003

تاریخ نمایه سازی: 3 دی 1401

چکیده مقاله:

امروزه با گسترش کشاورزی صنعتی استفاده از علوم و فنون نوین مانند هوش مصنوعی در افزایش بهره وری محصولات و هوشمندسازی روش‎ های کشاورزی نقش به سزایی دارد. از جمله این روش ها می توان به تخمین تراکم گیاهچه ها با استفاده از روش های پردازش تصویر اشاره کرد. این امر علاوه بر کمک به مدیریت زمین های کشاورزی در ارزیابی میزان کود و مواد شیمیایی و تعیین فضای مورد نیاز انبارداری نیز تاثیرگذار است. در این مقاله روش جدیدی برای تخمین تراکم گیاهچه های کلزا در مرحله دوبرگی پیشنهاد شد. ابتدا از مزرعه کلزا در مرحله دوبرگی واقع در روستای محمدآباد قزوین تصاویری تهیه شد؛ سپس مدل مخلوط گوسی به همراه الگوریتم بیشینه سازی امید ریاضی برای بخش بندی تصاویر و الگوریتم خوشه بندی نزدیک ترین همسایگی و عملگرهای ریخت شناسی برای شمارش تعداد گیاهچه ها موجود در تصاویر استفاده شده است. تعداد گیاهچه های کلزای موجود در تصاویر به روش دستی نیز محاسبه شد و به عنوان مقادیر مرجع برای ارزیابی عملکرد الگوریتم پیشنهادی، مورداستفاده قرار گرفت. نتایج حاصل از روش پیشنهادی، دارای همبستگی "R=۰.۹۶" با روش شمارش دستی و دارای دقت ۹۶.۵ درصد است. روش پیشنهادی در مقایسه با روش های متداول گذشته مانند روش شاخص تفاوت نرمال و روش آستانه گذاری اوتسو عملکرد بهتری دارد. همچنین باوجود اینکه تصاویر در شرایط محیطی متفاوت و با شدت نورهای مختلف اخذ شدند، میزان خطای روش پیشنهادی برای تصاویر مورداستفاده تنها کمتر از چهار درصد بود که کارایی روش ارائه شده را در تخمین تراکم کلزا نشان می دهد. لذا از روش پیشنهادی می توان در تخمین گیاهچه های کلزا به صورت عملی در زمین های کشاورزی استفاده نمود.

کلیدواژه ها:

اتوماسیون در کشاورزی ، الگوریتم شمارش گیاهچه های کلزا ، بخش بندی تصاویر

نویسندگان

علیرضا رضائی

استادیار، آزمایشگاه روبات های سیار هوشمند، گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، تهران، ایران

سید مرتضی خلیلی

کارشناسی ارشد، گروه بین رشته ای فناوری، بخش مکاترونیک و ممز،دانشکده علوم و فنون نوین،دانشگاه تهران، تهران،تهران، ایران

میلاد اسدپور

دانشجوی کارشناسی ارشد، گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین،دانشگاه تهران، تهران،تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Bairwa, N., Agrawal, N. K., & Gupta, S. (۲۰۱۷). Development ...
  • Bishop, C. M. (۲۰۰۶). Pattern recognition and machine learning. eBook, ...
  • Carré, P., & Pouzet, A. (۲۰۱۶). Rapeseed market, worldwide and ...
  • Chabok, F., Rezaee, A., & Asadpour, M. (۲۰۲۱). Sensor data ...
  • Cordill, C., & Grift, T. E. (۲۰۱۶). Design and testing ...
  • Dorj, U. O., Lee, M., & Lee, K. K. (۲۰۱۸). ...
  • Ehlert, D., Adamek, R., & Horn, H. J. (۲۰۱۳). Vehicle ...
  • Karbasi, A., Mohammadzade, S., & Hendizade, H. (۲۰۱۹). Analysis of ...
  • Lenaerts, B., Craessaerts, G., Baerdemaeker, J. D., & Saeys, W. ...
  • Maertens, K., Reyns, P., De Clippel, J., & De Baerdemaeker, ...
  • Mavaddati, S. (۲۰۲۱). Rice classification with fractal-based features based on ...
  • Payne, A. B., Walsh, K. B., Subedi, P. P., & ...
  • Rezaei, Y., Rezaee, A., Darakeh, F., & Azarakhsh, Z. (۲۰۲۱). ...
  • Wang, Z., Ritou, M., Da Cunha, C., & Furet, B. ...
  • Yamamoto, K., Guo, W., Yoshioka, Y., & Ninomiya, S. (۲۰۱۷). ...
  • Zeng, S., Huang, R., Kang, Z., & Sang, N. (۲۰۱۴). ...
  • نمایش کامل مراجع