Classification of potato plants and weeds with a new machine vision system

Sabzi, Sajad and Abbaspour-Gilandeh, Yousef and basati, Zahra (2017) Classification of potato plants and weeds with a new machine vision system. In: 1st International and 5th National Conference on Organic vs. Conventional Agriculture, 16-17 August 2017, Ardabil, Iran.

[img] Text
C-00047-AC-2.pdf

Download (348kB)

Abstract

The use of the precision agriculture operations in order to control weeds contributes human health, unpolluted environment and underground waters. In fact, site-specific spraying method which is one of the precision agriculture operation, sprays proportional to the weeds volume and therefore the use of herbicides will be reduced greatly. For this reason, a video processing based machine vision system in line with site-specific spraying was presented to detect potato and different types of common weeds. In order to training and testing the presented machine vision system, 2 hectares of Marfona potato crops in Kermanshah–Iran were used. This system moved with speed 13 cm/s. After segmentation, 142 features in two fields of color features and texture features based on the gray level co-occurrence matrix were extracted. Using hybrid Artificial Neural Networks - Particle swarm optimization (ANN-PSO) method effective features were selected among 282 features and were imported to classifier system in order to classify the potato and different weeds. The experimental results show the value of sensitivity, specificity and accuracy related to ANN-PSO classifier for two classes were above 96 %.

Item Type: Conference or Workshop Item (Poster)
Persian Title: طبقه‌بندی گیاه سیب‌زمینی و علفهای هرز مختلف با استفاده از یک سیستم ماشین بینایی جدید
Persian Abstract: استفاده از سیستم مدیریتی کشاورزی دقیق به‌منظور مبارزه با علف‌های هرز، سلامتی بشر، عدم آلودگی محیط‌زیست و آب‌های زیرزمینی را تضمین می‌کند. در حقیقت روش سم‌پاشی خاص مکانی که جزو عملیات‌ کشاورزی دقیق می‌باشد، متناسب‌‌با تعداد و نوع علف‌های هرز اقدام به سم‌پاشی می‌کند و بنابراین میزان استفاده از علف‌کش‌ها به‌شدت کاهش می‌یابد. به‌همین دلیل در این مطالعه یک سیستم ماشین بینایی مبتنی‌بر پردازش ویدئو به‌منظور تشخیص گیاه سیب‌زمینی از علف‌های هرز مختلف در راستای سم‌پاشی خاص مکانی ارائه گردید. به‌منظور آموزش و آزمون سیستم ماشین بینایی ارائه‌شده، از 2 هکتار سیب‌زمینی رقم مارفونا در استان کرمانشاه استفاده شد. این سیستم با سرعت 13 سانتیمتر بر ثانیه فیلم‌برداری را انجام داد. پس از عملیات قطعه‌بندی از هر شیء 142 خصوصیت در دو حوزه رنگی و ماتریس هم‌وقوعی سطح خاکستری استخراج گردید. با استفاده از روش‌ هیبرید شبکه عصبی مصنوعی- الگوریتم بهینه‌سازی ازدحام ذرات از میان 142 خصوصیت استخراجی، خصوصیات مؤثر انتخاب شدند و به‌منظور طبقه‌بندی گیاه سیب‌زمینی و انواع مختلف علف‌های ‌هرز، به سیستم‌های مختلف طبقه‌بند هیبرید شبکه عصبی مصنوعی- الگوریتم بهینه‌سازی ازدحام ذرات ارائه شدند. نتایج نشان داده که میزان دقت، ویژگی و حساسیت طبقه‌بند هیبرید شبکه عصبی مصنوعی – الگوریتم بهینه‌سازی ازدحام ذرات برای هر دو کلاس بیشتر از 96 درصد بود.
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 12:25
Last Modified: 11 Dec 2018 22:55
URI: http://repository.uma.ac.ir/id/eprint/3592

Actions (login required)

View Item View Item