عنوان پایان‌نامه
تشخیص برخط گیاه اصلی از علف هرز با استفاده از ماشین بینایی در ردیف های ذرت و آفتابگردان
- رشته تحصیلی
- مهندسی مکانیک بیوسیستم
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6792;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73519;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6792;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73519
- تاریخ دفاع
- ۲۱ بهمن ۱۳۹۴
- دانشجو
- احسان اصغرزاده
- استاد راهنما
- حسین موسی زاده
- چکیده
- در سال های اخیر با رشد جمعیت جهان، زمین های کشاورزی موجود و منابع طبیعی کاهش یافته است و محققان توجه بیشتری به کشاورزی دقیق کرده اند. در این تحقیق با استفاده از تکنیک های *پردازش تصویر، ماشین بینایی و شبکه¬های عصبی مصنوعی عملیات تشخیص و جداسازی گیاه اصلی از علف هرز در دو بخش برخط و برون خط انجام شد. با استفاده از پیش پردازش تصاویر، استخراج ویژگی های آنها و همچنین آموزش شبکه عصبی مصنوعی (لونبرگ مارکوات) عملیات تشخیص و جداسازی به انجام رسید. هدف اصلی، کسب مطلوب ترین نتایج در بخش برخط نسبت به متغیرهای میزان رشد(دو هفته متوالی)، شرایط محیطی(سایه و روشنایی) و سرعت حرکت ( 4،2،1 و6 کیلومتر در ساعت) تراکتور ربات بود. نتایج نشان می دهند که افزایش سرعت تراکتور ربات، شرایط محیطی روشن تر(آفتاب) و رشد کمتر گیاه باعث کاهش میزان تشخیص گیاه اصلی و علف هرز می شوند. به طوری که بهترین میزان تشخیص گیاه اصلی و علف هرز برای بخش برخط در هفته دوم از میزان رشد(اندازه گیاه اصلی ذرت 20 سانتیمتر بود)، در شرایط محیطی سایه و در سرعت 2 کیلومتر در ساعت برای تراکتور ربات، که میزان تشخیص گیاه اصلی 42/96 درصد و علف هرز 83/97 به دست آمد. همچنین میزان تشخیص گیاه اصلی در چهار حالت، رشد گیاه اصلی در هفته اول و دوم در حالت سایه و روشنایی، با تکرارهای برابر در سطح 5 درصد معنی دار می باشند.
- Abstract
- Increasing the world population in recent years, is caused to decreasing the agricultural lands and Natural resources; so the researchers are encouraged to investigate on the mechanization of all agriculture fields. In this study, detection and segregation of the main plant and weed for both on-line and off-line cases are investigated using image processing techniques, machine vision and artificial neural network. To do so, pre-processing image, extracting of the traits of the images and learning of an ANN (Levenberg-Marquest) has been done to detect and segregate the plants and weeds. The main goal of this study is obtaining the best results for on-line analyzing condition at various plant growing conditions (for two weeks), various environmental conditions (darkness or lightness) and tractor-robot velocities (1, 2, 4 and 6 Km/h). The results have shown that, increasing the tractor-robot velocity, lighter environmental condition and lower plant growing is caused to decreasing in segregation values of main plant and weeds. Therefore, the best condition for segregation of main plant and weeds in on-line analyzing case is the 2 week plant growing amount (The main plant height is 20 cm), dark environmental condition and the velocity of 2 Km/h, where the percent of the detection of main plant and weed are evaluated 96.42% and 97.83%, respectively. In addition, the amount of the segregation of the main plant in for conditions, i.e. the main plant growth during first and second weeks and environmental condition of darkness and lightness, are meaning under 5% values. Key words: Image processing; Machine vision; Main plant; weed; Detection and segregation.
