Development of machine vision system to distinguish two types of weeds based on the hybrid artificial neural networks - Bees Algorithm

Sabzi, Sajad and Abbaspour-Gilandeh, Yousef (2017) Development of machine vision system to distinguish two types of weeds based on the hybrid artificial neural networks - Bees Algorithm. In: 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017, Ardabil, Iran.

[img] Text
C-00037-AB.pdf

Download (465kB)
Official URL: http://www.uma.ac.ir

Abstract

Nowadays, with the development of technologies in the fields of electronic and mechanic, agriculture section is trying to use these technologies. One of the interesting fields by different researchers is the use of new technologies in field of herbicides optimal spray in agriculture fields. For this reason, a machine vision system based on video processing to distinguish two common types of weeds, namely Chenopodium album L and Polygonum aviculare L was proposed in this study. 2414 objects were recognized after taking video, pre-processing and segmentation. 13 features were extracted from each object. Among these 13 features, effective features to classify were selected using the hybrid artificial neural network - simulated annealing. So, among these 13 features were selected 4 features like the third moment invariant, perimeter, fifth moment invariant and the sum of entropy. To classify, data were divided to two groups like training data with 70 % of total data and testing data with 30 % of total data. Using the hybrid artificial neural networks - Bees Algorithm these two weed types were classified. Three measures of sensitivity, accuracy and specificity were calculated to evaluate the performance classification system. The value of sensitivity for testing data in Chenopodium album L class was 98.20 % and in Polygonum aviculare L class was 88.16 %. The value of classifier accuracy achieved almost 96%. In final, the values classifier system specificity for Chenopodium album L and Polygonum aviculare L classes was 96.45 and 93.71 respectively.

Item Type: Conference or Workshop Item (Poster)
Persian Title: توسعه سیستم ماشین بینایی به‌منظور جداسازی دو نوع علف‌هرز براساس هیبرید شبکه عصبی مصنوعی- الگوریتم زنبورها
Persian Abstract: امروزه با توسعه تکنولوژی در زمینه‌های الکترونیک و مکانیک، بخش کشاورزی در تلاش به‌منظور استفاده از این تکنولوژی‌ها می‌باشد. یکی از زمینه‌هایی که مورد توجه محققان مختلف قرار گرفته است، استفاده از تکنولوژی‌های جدید در زمینه پاشش بهینه علف‌کش‌ها در زمین‌های زراعی است. به‌همین منظور، در این مطالعه یک سیستم بینایی ماشین مبتنی‌بر پردازش ویدئو، به‌منظور تشخیص دو نوع علف‌هرز رایج در زمین‌های سیب‌زمینی یعنی سلمه‌تره و هفت‌بند پیشنهاد گردید. پس از فیلم‌برداری، پیش‌پردازش و قطعه‌بندی، 1688 شیء شناسایی شدند. با استفاده از هیبرید شبکه عصبی مصنوعی – الگوریتم شبیه‌سازی تبرید، 4 خصوصیت مؤثر ثابت ممانی سوم، محیط، ثابت ممانی پنجم و مجموع آنتروپی در میان 13 خصوصیت استخراجی انتخاب شدند. با استفاده از طبقه‌بند هیبرید شبکه عصبی مصنوعی – الگوریتم زنبورها این دو نوع علف‌هرز طبقه‌بندی شدند. سه معیار حساسیت، دقت و ویژگی به‌منظور بررسی عملکرد سیستم طبقه‌بند محاسبه گردید. مقدار حساسیت برای داده‌های تست در کلاس سلمه‌تره 20/98، و در کلاس هفت‌بند 16/88 درصد بود. میزان دقت طبقه‌بند تقریبا 96 درصد بدست آمد. در نهایت مقدار ویژگی سیستم طبقه‌بند برای کلاس‌های سلمه‌تره و هفت‌بند به ترتیب 45/96 و 71/93 درصد بدست آمد.
Subjects: Divisions > Conferences > 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017
Conferences > 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017
Divisions: Conferences > 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017
Subjects > Conferences > 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017
Date Deposited: 25 Nov 2018 12:23
Last Modified: 11 Dec 2018 22:57
URI: http://repository.uma.ac.ir/id/eprint/3585

Actions (login required)

View Item View Item