محمد رضا ملکی

یکی از مهم ترین عملیات های کشاورزی از بین بردن علف های هرز است که به صورت مکانیکی و یا با استفاده از علف کش ها انجام می شود. انجام دقیق این عملیات مستلزم پایش علف های هرز و تفکیک آنها از گیاه اصلی می باشد. از جمله روش های نوین در این زمینه، استفاده از فناوری بینایی ماشین با استفاده از تکنیک های متداول پردازش تصویر است. هر اندازه که رنگ و شکل علف-هرز شبیه گیاه اصلی باشد، فرآیند کار با چالش بیشتری همراه خواهد بود. هدف از این تحقیق طراحی یک الگوریتم مبتنی بر فناوری بینایی ماشین برای تشخیص علف های هرز در مزرعه نخود است. مراحل مختلف مربوط به پیاده سازی این الگوریتم از شش بخش اصلی شامل استحصال تصاویر، پیش پردازش، قطعه بندی تصاویر، استخراج ویژگی، کاهش ابعاد ویژگی با الگوریتم PCA و طبقه بندی به کمک شبکه عصبی مصنوعی می باشد. برای طراحی، پیاده سازی و ارزیابی الگوریتم از نرم افزار متلب استفاده شد. ابتدا تصاویر RGB از بوته نخود و علف های هرز در دو مرحله رشد گیاه و در دو شرایط نوری متفاوت از مزارع کشت نخود تهیه شد. به علت شدت نور متفاوت در تصاویر گرفته شده نیاز به انتقال تصاویر به یک فضای رنگی مناسب بود به همین دلیل انواع فضاهای رنگی مورد بررسی قرار گرفت. از فضای L*a*b* کانال a* به عنوان بهترین کانال برای جداسازی بوته های گیاه از پس زمینه شناخته شد. با اعمال حد آستانه مناسب، گیاهان از پس زمینه با دقت 36/97 جدا شدند. سه گروه ویژگی شامل ویژگی رنگی، بافتی و HOG از تصاویر استخراج شد. برای کاهش ابعاد ویژگی های استخراج شده از الگوریتم PCA استفاده شد. برای آموزش و ارزیابی شبکه عصبی از شبکه ELM استفاده شد. برای جداسازی بوته ها از هم دیگر آنها را در دو گروه (هفت کلاسه، دو کلاسه) ارزیابی شد. بهترین دقت الگوریتم به تفیکیک تصاویرگرفته شده، مربوط به الگوریتم جداسازی تصاویری که در هفته پنجم و در حالت سایه گرفته شده بود، دقت الگوریتم در حالت ذکر شده برای ویژگی های بافتی، HOG، رنگ و مجموع ویژگی ها برای هفت کلاسه به ترتیب برابر با 14/89، 71/87، 57/84 و 02/92 محاسبه و برای دو کلاسه نیز به ترتیب برابر با 00/96، 50/90، 00/90 و 97 محاسبه شد. دقت کلی الگوریتم برای مجموع کل تصاویر گرفته شده در چهار حالت مختلف تصویربردای برای ویژگی های رنگ، HOG، بافت و مجموع هر سه ویژگی برای هفت گروه گیاهی به ترتیب 36/90، 93/90، 57/91 و 36/96 محاسبه و برای دو گروه گیاهی نیز به ترتیب برابر با 50/91، 88/92، 75/93 و 13/98 محاسبه شد.