تعداد نشریات | 161 |
تعداد شمارهها | 6,492 |
تعداد مقالات | 70,141 |
تعداد مشاهده مقاله | 123,262,061 |
تعداد دریافت فایل اصل مقاله | 96,472,157 |
تعیین مناسبترین فضای رنگی به منظور تعیین تنش آبی در گیاهان گلخانهای به صورت هوشمند (مطالعه موردی: حُسنِیوسف) | ||
مهندسی بیوسیستم ایران | ||
مقاله 3، دوره 48، شماره 4، دی 1396، صفحه 407-418 اصل مقاله (1.19 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijbse.2017.63806 | ||
نویسندگان | ||
مریم نداف زاده؛ سامان آبدانان مهدی زاده* | ||
دانشگاه رامین خوزستان | ||
چکیده | ||
تخمیندقیق میزان آب مصرفی گیاه به عوامل بسیاری وابسته است که درصد پوشش سبز گیاه یکی از مؤثرترین پارامترها میباشد. از پردازش تصاویر دیجیتال و بینایی ماشین میتوان به منظور اندازهگیری این پارامتر در برنامههای مدیریت آب در کشاورزی به طور گسترده استفاده نمود. در این پژوهش مجموعهای از تصاویر گیاه زینتی حُسنِیوسف در دو وضعیت (شاداب و پژمرده) جهت تجزیه و تحلیل پیکسلها و مقایسه فضاهای رنگ پیشنهاد شده با هدفِ تشخیص نیاز آبی گیاه مورد بررسی قرار گرفتند؛ فضاهای رنگی مورد بررسی عبارتند از: RGB، rgb، XYZ، Lab، UVL، HSV، HLS، YCbCr، YUV، TSL و.I1I2I3 هر فضای رنگی شرایط مختلفی از احتمال توزیع یک گروه رنگ را ارائه میدهد، بدین ترتیب پس از بررسی فضاهای رنگی با توجه به نتایج آنالیز آماری در سطح احتمال 5% و با کمک ترسیم دادهها و مقایسه بصری آنها، مناسبترین فضاهای رنگی انتخاب گردید. نهایتاً فراوانی شدتهای فضای رنگی مطلوب جهت آموزش طبقهبند بیز مورد استفاده قرار گرفتند که در این حالت طبقهبند بیز با دقت کلی 11/83 درصد دو وضعیت شاداب و پژمرده گیاه را از یکدیگر تشخیص داد. در نتیجه بر اساس اطلاعات حاصل از نمودارهای هیستوگرام تصاویر (فراوانی سطوح شدت تصاویر) وضعیت نیاز گیاه به آبیاری قابل تشخیص میباشد. | ||
کلیدواژهها | ||
فضاهای رنگی؛ پردازش تصاویر دیجیتال؛ آبیاری؛ پژمردگی؛ طبقه بند بیز | ||
مراجع | ||
Allen, R. G. & Pereira, L. S. (2009). Estimating crop coefficients from fraction of groundcover and height. Irrig. Sci. 28, 17–34. Allen, R. G., Pereira, L. S., Raes, D. & Smith, M. (1998). Crop Evapotranspiration-Guidelines for Computing Crop Water Requirements-FAO Irrigation and Drainage Paper 56. FAO, Rome. 6541 p. Arefi, A., Motlagh, A. M., Mollazade, K. & Teimourlou, R. F. (2011). Recognition and localization of ripen tomato based on machine vision. Australian Journal of Crop Science. 5(10),1144-1149. Astrand, B. & Baerveldt, A. J. (2002). An agricultural mobile robot with vision-based perception for mechanical weed control. Autonomous Robots. 13, 21–35. Blasco, J., Aleixos, N., Roger, J. M., Rabatel, G. & Molto, E. (2002). Robotic weed control using machine vision. Biosyst. Eng. 83(2), 149–157. Campos, I., Neale, C. M., Calera, A., Balbontin, C. & Gonzalez-Piqueras, J. (2010). Assessing satellite-based basal crop coefficients for irrigated grapes (Vitis vinifera L). Agric. Water Manage. 98, 45–54. Chou, J. J., Chen, C. P. & Yeh, J. T. (2007). Crop identification with wavelet packet analysis and weighted Bayesian distance. Computers and electronics in agriculture, 57(1), 88-98. Damas, M., Prados, A .M., Gomez, F. & Olivares, G. (2001). Hidro Bus system: fieldbus for integrated management of extensive areas of irrigated land. Microprocessors and Microsystems, 25(3), 177-184. Dorigo, M. & Stutzle, T. (2004). Ant colony optimization. A Bradford book. The United States of America: The MIT Press. p. 321. Escarabajal-Henarejos, D., Molina-Martinez, J. M., Fernandez-Pacheco, D. G. & Garcia-Mateos, G. (2015). Methodology for obtaining prediction models of root depth of lettuce for its application in irrigation automation. Agric. Water Manage. 151, 167–173. Fernandez-Pacheco, D. G., Escarabajal, D., Ruiz-Canales, A., Conesa, J. & Molina-Martinez, J. M. (2014). A digital image-processing-based method for determining the crop coefficient of lettuce crops in the southeast of Spain. Biosyst. Eng. 117, 23–34. Foucher, P., Revollon, P., Vigouroux, B. & Chasseriaux, G. (2004). Morphological image analysis for the detection of water stress in potted Forsythia. Biosystems Engineering, 89 (2), 131-138. Garcia-Mateos, G., Hernandez-Hernandez, J. L., Escarabajal-Henarejos, D., Jaen-Terrones, S. & Molina-Martinez, J. M. (2015). Study and comparison of color models for automatic image analysis in irrigation management applications. Agricultural Water Management. 151, 158-66. Giacomelli, G. A., Ling, P. P. & Kole, J. (1998). Determining nutrient stress in lettuce plants with machine vision technology. Hort Technology. 8(3), 361–365. Golzarian1, M. R., Sadeghi, F., Ghanei, N. & Kazemi, F. (2014). A qualitative and quantitative approach to assessing the performance of contrast enhancing colour indices used in automatic computer vision plant identification system. Conference: The 8th National Congress on Agr. Machinery (Biosystem) Engineering and Mechanization., At Mashad, Iran. pp. 1579-1592. (in Farsi). Gonzalez, R. C., Woods, R. E. & Eddins, S. L. (2004). Digital image processing using MATLAB. Pearson Education India. Grant, O. M., Davies, M. J., Longbottom, H. & Harrison-Murray, R. (2012). Evapotranspiration of container ornamental shrubs: modelling crop-specific factors for a diverse range of crops. Irrigation Science. 30(1), 1–12. Hanson, B. R. & May, D. M. (2005). Crop coefficients for drip-irrigated processing tomato. Agric. Water Manage. 81(3), 381–399. Hendrawan, Y. & Murase, M. (2011). Bio inspired feature selection to select informative image features for determining water content of cultured Sunagoke moss. Expert Systems with Applications, 38(11), 14321–14335. HunterLab. (2001). Application note. Insight on Color. 13, pp. 1-4. Kakumanu, P., Makrogiannis, S. & Bourbakis, N. (2007). A survey of skin-color modeling and detection methods. Pattern Recognit. V. 40(3), 1106–1122. Kodagali, J. A. & Balaji, S. (2012). Computer vision and image analysis based techniques for automatic characterization of fruits–a review. Int. J. Comput. Appl. 50(6),6–12. Kumar, P., Sengupta, K. & Lee, A. (2002). A comparative study of different color spaces for foreground and shadow detection for traffic monitoring system. The IEEE 5thInternational Conference on Intelligent Transportation Systems. 100–105. Leemans, V. & Destain, M. F. (2004). A real-time grading method of apples based on features extracted from defects. Journal of Food Engineering. 61(1), 83-89. Lin, K., Chen, J., Si, H. & Junhui, W. (2013). A review on computer vision technologies applied in greenhouse plant stress detection. Adv. Image Graphics Technol. 363, 192–200. Ling, P. P. & Ruzhitsky, V. N. (1996). Machine vision techniques for measuring the canopy of tomato seedling. J. Agric. Eng. Res. 65, 85–95. Lopez-Urrea, R., Martin de Santa Olalla, F., Montoro, A. & Lopez-Fuster, P. (2009). Single and dual crop coefficients and water requirements for onion (Allium cepa L.) under semiarid conditions. Agric. Water Manage. 96, 1031–1036. Luzuriaga, D. A. & Balaban, M. O. (2002). Colour machine vision system: an alternative for colour measurement. In Proceedings of the world congress of computers in agriculture and natural resources, Iguacu Falls, Brazil. 13–15 March. pp. 93–100. McCarthy, C. L., Cheryl, N. H. & Hancock, S. R. (2010). Applied machine vision of plants-a review with implications for field deployment in automated farming operations. Intell. Serv. Rob. 3(4), 209–217. Ohta, Y., Kanade, T. & Sakai, T. (1980). Color information for region segmentation. Comput. Graphics Image Process. 13(3), 222–241. Shahin, M. A., Tollner, E. W., Gitaitis, R. D., Sumner, D. R. & Maw, B. W. (2002). Classification of sweet onions based on internal defects using image processing and neural network techniques. Transactions of the ASAE. 45(5), 1613–1618. Shih, P. & Liu, C. (2005). Comparative assessment of content-based face image retrieval in different color spaces. Int. J. Patt. Recogn. Artif. Intell. 19(7), 873–893. Shiraishi, M. & Sumiya, H. (1996). Plant identification from leaves using quasi-sensor fusion. J. Manuf. Sci. Eng., Trans. ASME. 118(3), 382–387. Shoor, M., Behzadi, M. & Goldani, M. (2012). Study of Rooting, Quantitative and Anatomical Traits on Two Coleus Spices in High Level Carbon Dioxide. Journal of Horticultural Science, 26(3), 277-285. Slaughter, D. C., Giles, D. K. & Downey, D. (2008). Autonomous robotic weed control systems: a review. Comput. Electron. Agric. 61, 63–78. Steward, B. L., Tian, L. F., Nettleton, D. & Tang, L. (2004). Reduced-dimension clustering for vegetation segmentation. Trans. ASAE. 47(2), 609–616. Story, D., Kacira, M., Kubota, C., Akoglu, A. & An, L. L. (2010). Lettuce calcium deficiency detection with machine vision computed plant features in controlled environments. Comput. Electron. Agric. 74(2), 238–243. Tellaeche, A., Burgos-Artizzu, X. P., Pajares, G. & Ribeiro, A. (2008). A vision-based method for weeds identification through the Bayesian decision theory. Pattern Recognition, 41(2), 521-530. Terrillon, J. C. & Akamatsu, S. (2000). Comparative performance of different chrominance spaces for color segmentation and detection of human faces in complex scene images. In: International Conf. on Face and Gesture Recognition, pp. 54–61. Weizheng, S., Yachun, W., Zhanliang, C. & Hongda, W. (2008). Grading method of leaf spot disease based on image processing. In Computer Science and Software Engineering, International Conference. 6, 491-494. Xu, X. G., Wang, J. H., Li, C. J., Song, X. U. & Huang, W. J. (2010). Estimating growth height of winter wheat with remote sensing. In: In Proceedings of the SPIE 7824, Remote Sensing for Agriculture, Ecosystems, and Hydrology XII. Zhao, Y., Gong, L., Zhou, B., Huang, Y. & Liu, C. (2016). Detecting tomatoes in greenhouse scenes by combining AdaBoost classifier and colour analysis. Biosystems Engineering. 148, 127-137.
| ||
آمار تعداد مشاهده مقاله: 733 تعداد دریافت فایل اصل مقاله: 861 |