عنوان

تمییز بین علف هرز و محصول با استفاده از روش های بینایی کامپیوتری

پ۲۷۷۸۱

per

تمییز بین علف هرز و محصول با استفاده از روش های بینایی کامپیوتری

شقایق جانبازی علمداری

کشاورزی

۱۴۰۱

۹۲ص.

سی دی

کارشناسی ارشد

مكانیک بیوسیستم گرایش طراحی و ساخت

۱۴۰۱/۰۹/۱۳

علف¬های هرز، به¬طور طبیعی تنش¬هایی بر عملكرد محصول وارد می¬کنند، زیرا برای به¬دست آوردن آب و مواد غذایی به رقابت با گیاه اصلی می¬پردازند. علف¬های هرز در عملیات برداشت، انتقال و تمیزکردن نیز مزاحمت¬هایی را باعث می¬شوند، از طرفی به¬خاطر این¬که میزبان خوبی برای آفات و بیماری¬ها هستند، باعث ایجاد آلودگی می¬شوند. روش¬های مختلفی از قبیل: شیمیایی، بیولوژیكی، مكانیكی و بیوفیزیكی برای کنترل علف¬های هرز وجود دارد. کنترل مكانیكی و استفاده از سموم شیمیایی عمومی¬ترین آن¬ها می¬باشد. روش کنترل شیمیایی باعث ایجاد مشكلاتی برای محیط زیست، حیوانات و انسان می¬شود، روش مكانیكی این مشكلات را ندارد، ولی نمی¬تواند در هر نوع کشت مورد استفاده قرارگیرد. در روش جدید که جایگزین روش مبارزه¬ی شیمیایی سنتی می¬شود، از فناوری سمپاشی نرخ متغیر و لكه¬ای استفاده می¬شود، که در این روش کل مزرعه سم پاشی نمی¬شود و تنها بوته‌های علف¬هرز به مقدار لازم تیمار می¬شوند. برای اجرای چنین فنآوری لازم است علف هرز از محصول شناسایی شود. تمرکز اصلی این تحقیق بر روی تشخیص گیاه اصلی یعنی چغندرقند و علف-های هرز توق و پیچک می¬باشد. موقعیت آن¬ها در تصویر به¬دست آمد. به¬ همین خاطر، با استفاده از روش¬های آماری و یادگیری عمیق، تمییز محصول چغندرقند از علف هرز صورت گرفت. ابتدا توده‌های سبز رنگ از هم جدا شدند، سپس هرکدام از توده‌ها با استفاده از ابزار حاشیه¬نویسی تصویر گرافیکی LabelImg برچسب¬گذاری شدند. محصول چغندرقند و علف¬های¬هرز با استفاده از برخی روش¬های متداول و مرسوم ریخت¬شناسی و نیز برخی روش¬های جدید همچون CNN با مدل¬های از پیش آموزش دیده 2MobileNetv و ResNet 34 شناسایی و از YOLO object detectionجهت تشخیص هر سه کلاس استفاده شد. نتیجه¬ی به¬دست آمده از تشخیص الگوریتم با نظر متخصصین علف هرز مورد مقایسه قرارگرفته، قدرت تشخیص با دقت ۵۹/۳۸‏درصد برای مدل 2MobileNetv ، دقت ۹۴/۷۸ درصد برای مدل ResNet 34 و با دقت ۸۰ درصد برای الگوریتم YOLOv5 جهت تشخیص چغندرقند بیان شد و در نهایت زمان پردازش به ترتیب۰۲۶/۰، ۰۵۲/۰و ۴۹/۰ ثانیه تعیین شد.

Abstract : Weeds naturally cause problems with crop performance because they compete with the main plant to obtain water and nutrients. Weeds also cause disturbances in harvesting, transportation and cleaning operations; on the other hand, because they are a good host for pests and diseases, they cause pollution. There are different methods, such as chemical, biological, mechanical and biophysical, to control weeds. Mechanical control and chemical poisons are the most common of them. The chemical control method causes problems for the environment, animals and humans; the mechanical method does not have these problems. Still, it cannot be used in any cultivation. The new method replaces the traditional chemical control method; variable rate and spot spraying technology are used. The whole field is not sprayed; only the weed bushes are sprayed. They need to be treated. To implement such a technology, it is necessary to identify the weed from the crop. This research focuses on identifying the main plant, i.e. sugar beet and the weeds of Xanthium Strumarium and Bindweed. Their position will be obtained in the image. Therefore, using statistical methods and deep learning, sugar beet product was distinguished from weeds. First, the green masses were separated, each labelled using the LabelImg graphic image annotation tool. Sugar beet products and weeds were identified using common and conventional methods of morphology and new methods such as CNN with pre-trained models MobileNet-v2 and ResNet34 and YOLO Classification to identify all three classes used. The result obtained from the algorithm detection was compared with the opinion of weed experts, the detection power with 38.59% accuracy for MobileNetv 2 model, 78.94% accuracy for the ResNet 34 model and 80% accuracy for the YOLOv5 algorithm for detection. Sugar beet was expressed, and finally, the processing time was determined as 0.026, 0.052 and 0.49 seconds, respectively.

Crop and Weed Discrimination Using Computer Vision

‏جانبازی علمداری،

شقایق ‏

تهیه کننده

بهفر‏،

امینی،

حسین ‏

روح اله ‏

استاد راهنما

استاد مشاور

‏ تبریز