طراحی، ساخت و ارزیابی سامانه سمپاش خودکار به منظور تشخیص برخط علف هرز-گیاه در مزارع چغندرقند

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 73

This Paper With 15 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JRSB-37-2_007

تاریخ نمایه سازی: 28 شهریور 1402

Abstract:

کنترل علف­های هرز در دوره رشد گیاهان بسیار مورد توجه بوده و روش­های مختلفی بدین منظور توسعه یافته است. در مبارزه با این گیاهان ناخواسته با روش مرسوم تمام مزرعه و گیاه اصلی نیز مورد حمله علف کش قرار می­گیرد که سبب مصرف بی رویه سموم نیز می­شود. در این پژوهش یک سامانه سمپاش هوشمند به منظور تشخیص علف­هرز و بررسی میزان کاهش مصرف سم، در مزرعه چغندرقند بر اساس فناوری بینایی ماشین ((Machine Vision ارائه شد. به این منظور ۴۹ ویژگی­های ظاهری و رنگی چغندرقند و علف­هرز از تصاویر استخراج و مورد بررسی قرار گرفتند. با پیاده­سازی الگوریتم ژنتیک (GA) ۱۱ ویژگی که بیشترین دقت در تشخیص را داشتند انتخاب و به منظور افزایش سرعت و بهترین عملکرد پنج ویژگی (ضریب شعاع ناحیه محدب هال، ضریب کرویت، ممان ششم، I۱I۲I۳_I۳ و Lch_c) که بیشترین تکرار را در انتخاب ویژگی داشتند، برگزیده شدند. الگوریتم توسعه یافته برای تشخیص علف­ هرز از چغندرقند، دقت بیش از ۹۸ درصد داشت که نشان از قدرت تشخیص بالای این سامانه هوشمند می­باشد. جهت بررسی میزان کاهش مصرف محلول سم، سامانه سمپاش هوشمند با سمپاش بافرآگری ((Buferagri مورد مقایسه قرار گرفت. سرعت حرکت هشت کیلومتر بر ساعت با تراکتور نوع جاندایر و مسافت پیموده شده ۲۷ متر برای هر دو سمپاش ثابت در نظر گرفته شد. در یک مسافت مشخص میزان علف کش مصرفی اندازه­گیری و در نهایت میزان مصرف محلول توسط سمپاش بافرآگری نسبت به سامانه سمپاش هوشمند بیش از ۷۷ درصد بود. این مساله نشان از کارایی این سامانه نسبت به سمپاش­های معمولی در کاهش مصرف علف­کش است. نتایج نشان دادند که استفاده از سامانه ارائه شده به صورت سیستم­ سمپاش هوشمند در مزارع چغندرقند امکان پذیر است.

Authors

هادی اورک

کارشناسی ارشد پردازش تصویر، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان. اهواز، ایران.

سامان آبدانان مهدی زاده

دانشیار دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان. اهواز، ایران.

محمدامین آسودار

استاد دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران

الهام الهی فرد

استادیار دانشکده کشاورزی، گروه زراعت، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • Abbas I, Liu J, Faheem M, Noor RS, Shaikh SA, ...
  • Abouzahir S, Sadik M, Sabir E. Bag-of-visual-words-augmented histogram of oriented ...
  • Anonymous. Yield and cultivated area of Iranian sugar beet in ...
  • Babu LG. Smart agriculture system with E– Carbage using Iot. International ...
  • Bakhshipour Ziyaratgahi A, Jafari A, Emam Y, Nasiri SM, Kamgar ...
  • Cao X, Ning B, Yan P, Li X. Selecting key ...
  • Chapron M, Requena-Esteso M, Boissard P, Assemat L. A method ...
  • Christensen S, Heisel T, Walter M. Patch spraying in cereals. ...
  • Dammer KH. Real‐time variable‐rate herbicide application for weed control in ...
  • Du JX, Wang XF, zhang GJ. Leaf shape based plant ...
  • Food and Agriculture Organization (FAO) of the United Nations. FAOSTAT ...
  • Garcia-Mateos G, Hernandez-Hernandez JL, Escarabajal- Henarejos D, Jaen-Terrones S, Molina-Martinez ...
  • Guerrero JM, Guijarro M, Montalvo M, Romo J, Emmi L, ...
  • Guerrero JM, Pajares G, Montalvo M, Romo J, Guijarro M. ...
  • Hamuda E, Mc Ginley B, Glavin M, Jones E. Automatic ...
  • Hasan AM, Sohel F, Diepeveen D, Laga H, Jones MG. ...
  • HunterLab. Application note. Insight on Color. ۲۰۰۱; ۱۳: ۱-۴ ...
  • ISO ۷۳۰. Agricultural Wheeled Tractors—Rear-Mounted Three-Point Linkage Categories ۱N, ۱, ...
  • Jafari A, Mohtasebi SS, Eghbali Jahromi H, Omid M. Presenting ...
  • Jahada Akbar MR, Tabatabaei Nimavard R, Ebrahimian HD. Investigation of ...
  • Lin WM, Hu YT. Image segmentation method based on YUV ...
  • Liu B, Bruch R. Weed detection for selective spraying: A ...
  • Mohammad Zamani D, Minaei S, Alimardani R, Almasi M, Norouz ...
  • Ohta Y, Kanade T, Sakai T. Color information for region ...
  • Oluleye B, Leisa A, Leng L, Dean D. A Genetic ...
  • Perez AJ, Lopez F, Benlloch JV, Christensen S. Color and ...
  • Philipp I, Rath T. Improving plant discrimination in image processing ...
  • Rani SV, Kumar PS, Priyadharsini R, Srividya SJ, Harshana S. ...
  • Sabzi S, Abbaspour-Gilandeh Y, García-Mateos G. A fast and accurate ...
  • Sester M, Delanoy M, Colbach N, Darmency H. Crop and ...
  • Subr A, Parafiniuk S, Milanowski M, Krawczuk A, Kachel M. ...
  • Tang J, Wang D, Zhang Z, He L, Xin J, ...
  • Tewari VK, Pareek CM, Lal G, Dhruw LK, Singh N. ...
  • Watchareeruetai U, Takeuchi Y, Matsumoto T, Kudo H, Ohnishi N. ...
  • Zoschke A, Quadranti M. Integrated weed management: Quo vadis. Weed ...
  • نمایش کامل مراجع