تشخیص علف‌هرز چاودار از گیاه سیب‌زمینی با استفاده از پردازش ویدئو و هوش محاسباتی

Abstract

<strong>علف‌ هرز به­دلیل رقابت با محصولات کشاورزی برای</strong><strong>دستیابی‌</strong><strong>‌ </strong><strong>به آب، مواد مغذی، نور خورشید و . . . باید از مزرعه حذف شود. روش‌های مختلفی برای مبارزه با علف‌های هرز وجود دارد مانند روش‌های مکانیکی، دستی و استفاده از علف‌کش‌ها که در میان کشاورزان</strong><strong>، </strong><strong>امروزه کاربرد علف‌کش‌ها رایج‌تر است اما این کار به­دلیل استفادۀ یکسان در کل مزرعه، به ­آلودگی زیست محیطی انجامیده است. در این مطالعه، یک سیستم ماشین بینایی مبتنی ‌بر پردازش ویدئو به</strong><strong>‌</strong><strong>منظور شناسایی علف‌هرز چاودار از گیاه سیب‌زمینی جهت پاشش بهینۀ علف‌کش پیشنهاد شده است. پس از فیلم‌برداری، پیش‌پردازش و قطعه‌بندی، </strong><strong>965 شیء شناسایی شد. از هر شیء، 14 خصوصیت استخراج شد. با استفاده از روش فراابتکاری </strong><strong>هیبرید شبکۀ عصبی مصنوعی </strong><strong>– </strong><strong>الگوریتم </strong><strong>ژنتیک از میان 14 خصوصیت استخراجی، 6 خصوصیت میانگین، ممان سوم، خودهمبستگی، همبستگی، عدم تشابه و آنتروپی به­عنوان خصوصیات موثر انتخاب شدند. کل داده‌ها به دو دسته تقسیم شدند: داده‌های آموزش (70 درصد کل داده‌ها) و داده‌های تست و اعتبارسنجی (30 درصد کل داده‌ها). با استفاده از طبقه‌بند </strong><strong>هیبرید شبکۀ<br /> عصبی - مصنوعی </strong><strong>–</strong><strong> الگوریتم مبتنی بر جغرافیای زیستی، طبقه‌بندی انجام گرفت. </strong><strong>با دو روش تحلیل ماتریس اغتشاش و بررسی نمودار </strong><strong>ROC</strong><strong>، </strong><strong>عملکرد سیستم طبقه‌بند ارزیابی شد. سه معیار حساسیت، دقت و ویژگی با استفاده از ماتریس اغتشاش محاسبه شد. نتایج تحقیق نشان می‌دهد که میزان حساسیت، دقت و ویژگی سیستم طبقه‌بند به‌ترتیب بالای 99، 99 و 98 درصد است. می‌توان نتیجه گرفت که امکان ساخت سیستم ماشین بینایی با هدف ذکر شده که به­صورت برخط کار می‌کند وجود خواهد داشت. </strong>