جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه image processing در نشریات گروه کشاورزی
image processing
در نشریات گروه گیاهپزشکی
تکرار جستجوی کلیدواژه image processing در مقالات مجلات علمی
-
با توجه به سرعت و دقت بالای تشخیص هوشمند آفات در محصولات انباری، در این پژوهش تشخیص آفت سوسک چهار نقطه ای حبوبات توسط تکنیک پردازش تصویر با بهره گیری از شبکه های عصبی مصنوعی انجام شده است. برای تهیه تصاویر مناسب، جعبه ای شیشه ای تهیه و دانه های نخود در مرکز جعبه قرار داده شد. سپس از شش وجه به آن نور تابانده و از تمامی وجوه توسط یک دوربین دیجیتال، از آن عکسبرداری انجام شد. سپس ویژگی تصاویر شامل بافت و لبه ها توسط موجک گابور با بکارگیری نرم افزار MATLAB استخراج و به عنوان داده های آموزشی به شبکه عصبی مصنوعی معرفی شدند. برای آموزش شبکه از 69 تصویر نخود آسیب دیده توسط سوسک چهارنقطه ای حبوبات و 59 نخود سالم استفاده شد. سپس برای ارزیابی شبکه، یک دسته از داده ها که در آموزش شبکه هیچ نقشی نداشته اند به عنوان داده های آزمون، به شبکه اعمال شد و نتایج آن بررسی شد. در این پژوهش از شبکه های عصبی پرسپترون و المن استفاده شد که شبکه پرسپترون نتایج بهتری نسبت به شبکه المن داشت. روش پیشنهادی با 17/6 درصد خطای عدم تشخیص و 86/4 درصد خطای تشخیص اشتباه، توانست با نرخ بالایی نخودهای آسیب دیده را آشکارسازی نماید. پس از پردازش تصویر توسط شبکه عصبی و تشخیص نقاط آسیب، میزان آسیب محصول نیز محاسبه شد. بدین منظور، سطح آسیب تشخیص داده شده محاسبه و مقدار آن بر مساحت سطح کل دانه نخود تقسیم و درصد آسیب دانه ها برابر با 3/2 درصد برآورد شد.کلید واژگان: پردازش تصویر، سوسک چهار نقطه ای، شبکه عصبی مصنوعیDue to the high speed and accuracy of intelligent pest detection in warehouse products, in this study, the detection of chickpea four-point beetle pest was simulated by image processing technique using artificial neural networks. To prepare the images, a glass box was prepared and the chickpea seeds were placed in the center of the box. The light was then illuminated from all six sides and photographed with a digital camera from all sides. The image properties were then extracted by Wavelet Gabor using MATLAB software and applied to the ANN as training data. To train the network, 69 images of chickpeas damaged and 59 healthy chickpeas were used. Then, to evaluate the network, a set of data that did not play a role in network training as test data was applied to the network and its results were evaluated. In this study, Perceptron and Elman neural networks were used which had better results than Elman network. The proposed method was able to detect the high rate of damaged with 6.17% non-detection error and 4.86% error-detection error. After image processing by the neural network and detection of damage points, the amount of crop damage was also calculated. For this purpose, the level of detected damage was calculated and divided by the area of total area of chickpea seed and percentage of damage. After identifying the injury sites, the damage was estimated 2.3% in the studied images.Keywords: Artificial Neural Network, Bean, Callosobruchus Maculatus F, image processing
-
تخمین جمعیت آفات گیاهی یکی از فرایندهای مهم و اساسی برای برنامه ریزی موفق جهت مدیریت آفات می باشد. بیش تر روش های پیشین مبتنی بر پردازش تصویر و بینایی ماشین که در این زمینه ارائه شده طوری طراحی شده اند که فقط برای یک فضای خاص قابل اعمال هستند و برای محیط های دیگر با شرایط مختلف جوابگو نیستند و عملکرد آنها وابسته به اطلاعات مربوط به محل مورد بررسی می باشد. در این مطالعه روشی نوین بر مبنای پردازش تصویر توسط کامپیوتر برای مشخص کردن و شمارش آفت مگس سفید روی برگ های گیاهان آفت زده ارائه شده است که عمومی می باشد و نیازی به اطلاعات نمونه ها ندارد و در شرایط و مکان های مختلف قابل استفاده می باشد. در این روش با استفاده از سه مرحله، بررسی شکل، بافت و رنگ تصویر و با استفاده از تخمین خودکار اندازه آفت در تصاویر مورد بررسی، آفات سفیدبالک از سایر قسمت های برگ محصول متمایز شده و شمارش می گردد. عملکرد روش ارائه شده روی عکس هایی از برگ های گیاهان مختلف با چگالی آفات کم و زیاد در گلخانه ها و مزارع امتحان شده است. نتایج به دست آمده نشان می دهد که عملکرد این روش در شمارش آفت سفیدبالک از روش های ارائه شده قبلی بهتر بوده و این بهبود در شمارش آفات نه تنها موجب افزایش احتمال شمارش اجزای نادرست نمی شود بلکه درصد آشکارسازی های اشتباه را نیز پایین آورده است.کلید واژگان: نظارت بر جمعیت آفات، پردازش رایانه ای تصاویر، آفت سفیدبالک، توزیع اندازهA novel automated image analysis method for counting the population of whiteflies on leaves of cropsCounting the population of insect pests is a key task for planning a successful integrated pest management program. Most image processing and machine vision techniques in the literature are very site-specific and cannot be easily re-usable because their performances are highly related to their ground truth data. In this article a new unsupervised image processing method is proposed which is general and easy to use for non-experts. In this method firstly a hypothesis framework is defined to distinguish pests from other particles in a captured image after texture, color and shape analyses. Then, the decision about each hypothesis is made by estimating a distribution function for sizes of particles which are presented in the image. Performance of the proposed method is evaluated on real captured images that belong to plants in green housesand farms with low and high densities of whiteflies. The obtained results show the greater ability of the proposed method in counting whiteflies on crop leaves compared to adaptive thresholding and K-means algorithms. Furthermore it is shown that better counting of the pest by proposed algorithm not only doesnt lead to extracting more false objects but also it decreases the rate of false detections compared to the results of the alternative algorithms.Keywords: pest population monitoring, image processing, whiteflies, size distribution
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.