تشخیص پرتقال روي درخت با کاربرد پردازش تصاویر دیجیتال براساس الگوي تراکم سایه روشن

توضیحات

چکیده

طی چندین سال اخیر تمایل تازه اي به سمت برداشت رباتیک پرتقال و برخی مرکبات ایجاد شده است. اولین گام در برداشت رباتیک شناسایی دقیـق و تعیین موقعیت میوه میباشد. شناسایی از طریق پردازش تصویر توسط دوربین هاي رنگی و کامپیوتر رایجترین روش در حال حاضـر مـیباشـد. بـدیهی است ربات برداشت با شرایط طبیعی مواجه است و شناسایی باید در شرایط مختلف نور و محیط انجام شود. در این تحقیـق سـعی شـده اسـت الگـوریتم مناسبی به منظور تشخیص پرتقال روي سایبان درخت ارائه شود. به منظور ارزیابی الگوریتم ارائه شده تعـداد 500تصـویر کـه در شـرایط کـاملاً متفـاوت سایبان، زاویه نور خورشید و فاصله تا درخت، گرفته شده بودند، مورد بررسی قرار گرفت. این الگوریتم شامل مراحل: بهینه سازي، قطعه بندي، فیلتر  اندازه، تفکیک میوه ها بر مبناي الگوي تراکم سایه و روشنایی و تعیین مختصات میباشد. در این تحقیق براي قطعه بندي از شبکه عصبی MLP (بـا سـه لایـه مخفی) استفاده شد که موفقیت به کارگیري آن با توجه به نرخ کشف صحیح پرتقال ها با دقت %88/2مورد تأیید قرار گرفت. بـا توجـه بـه درصـد بـالاي پرتقال هاي خوشه اي نسبت به کل پرتقال ها در تصاویر، هر الگوریتمی که بخواهد در زمینه شناسایی پرتقال بر روي درخت موفق عمل کند باید راه حلی براي تفکیک پرتقال ها از هم ارائه دهد که در پژوهش حاضر روشی جدید بر مبناي الگوي تراکم سایه روشن، به کار گرفته شد و کارایی آن مورد ارزیـابی قرار گرفت. در نهایت دقت تفکیک 89/5درصد و دقت شناسایی 88/2درصد به دست آمد.

مقدمه

به دو دلیل عمده اقتصادي و پیشرفت فنآوري، از چنـدین سـال گذشته تمایل تازه اي به سمت برداشت رباتیک پرتقال و برخی مرکبات ایجاد شده اسـت   (Hannan et al., 2007). اولـین گـام در برداشـت رباتیک پرتقال، شناسایی و تعیین موقعیت آن روي درخـت مـیباشـد. سه عامل شناسایی نادرست، عدم شناسایی و بالا بودن زمان شناسایی یک پرتقال، منجر به کاهش عملکرد، بالا رفـتن زمـان برداشـت و در نهایت افزایش هزینه هاي تولید خواهد شد.  عمده دلیـل عـدم توجیـه اقتصادي ربات هاي برداشت که تاکنون معرفـی شـده انـد، ناکارامـدي آنها در مرحله شناسایی است.

 

ABSTRACT

Over the past several years, there has been a new trend towards orange and some citrus robotics. The first step in robotic harvesting is to accurately identify and determine the position of the fruit. Identification through image processing by color cameras and computers is the most commonly used method at present. Obviously, the harvesting robot faces natural conditions and identification should be done in different conditions of light and environment. In this research, we have tried to provide an appropriate algorithm for identifying oranges on tree canopy. In order to evaluate the algorithm, 500 images were taken into account under completely different conditions of the shade, sunlight and distance to the tree. The algorithm consists of the following steps: optimization, segmentation, size filtering, splitting the fruits based on the shadow density and brightness pattern and determining the coordinates. In this research, a segmentation of the MLP neural network (with three layers of secret) was used, and its success was confirmed with an accuracy of 2.88% accuracy with regard to the orbital discovery rate. Considering the high percentage of cluster oranges relative to the total oranges in the images, any algorithm that would be successful in identifying oranges on a tree should provide a solution to the separation of oranges, which in the present study is a new method based on The light shade density pattern was used and its effectiveness was evaluated. Finally, the precision was 5.89% and the accuracy of detection was 2.88%.

INTRODUCTION

For two main reasons, economic and technological advancement, there has been a new trend towards orbital robotic and some citrus roots over the past several years (Hannan et al., 2007). The first step in orange robotics is to identify and determine its position on the tree. The three inaccurate factors, the lack of identification and the high identification time of an orange, will result in reduced yield, increased harvest time, and ultimately increased production costs. The main reasons for the lack of economic justification for harvest robots that have been introduced so far are their inefficiency at the identification stage.

Year: 2015

Publisher :   Journal of Agricultural Machinery

By : Hamid Reza Ahmadi-Ja’far Amiri Parian

File Information: Persian Language/ 9 Page / size: 831 KB

Only site members can download free of charge after registering and adding to the cart

Download tutorial

سال : 1394

ناشر : نشریه ماشین هاي کشاورزي

کاری از : حمیدرضا احمدي -جعفر امیري پریان

اطلاعات فایل : زبان فارسی / 9 صفحه / حجم : KB 831

فقط اعضای سایت پس از ثبت نام و اضافه کردن به سبد خرید می توانند دانلود رایگان کنند.خوشحال می شویم به ما پبیوندید

آموزش دانلود