Bilgisayarlı Görme Esaslı Değişken Oranlı Bir Alev Makinası İçin Görüntü Alma Sisteminin Optimizasyonu

Year 2020, Volume: 34 Issue: 1, 135 - 147, 01.06.2020

Ferhat Kurtulmuş , Kadir Sefil , Kübra Kargacı , Selçuk Arslan

Abstract

Bu çalışmanın amacı, yabancı ot kontrolü için kullanılan bir alev makinesi prototipine entegre edilecek görüntü işleme esaslı, yapay aydınlatmalı bir görüntü alma sistemi geliştirmektir. Ayrıca, düşük maliyetli bir gömülü devre ve kamera (Raspberry Pi 3) kullanan görüntü işleme sisteminin yapay aydınlatmalı görüntü alma odacığının gerekli işletme parametrelerini belirlemek hedeflenmiştir. Görüntü işleme algoritmalarının geliştirilmesi ve sayısal analiz aşamalarında OpenCV açık kaynak kodlu görüntü işleme kütüphanesi ve Python programlama dili kullanılmıştır. Sistem geliştirme aşamalarında geliç (SorghumhalepenseL.), pıtrak (Xanthiumstrumarium L.), tarla sarmaşığı (Convolvulusarvensis L.) ve köygöçüren (Cirsiumarvense) otlarının bulunduğu bir arazi koşulunda yabancı otların görüntüleri alınmıştır. Dış ortama açık ve yapay aydınlatma sistemiyle alınan görüntülerin histogramları karşılaştırılmıştır. Yabancı ot piksel dağılımları incelenerek ikilileştirme için uygun eşik değerleri belirlenmiştir. Sonuç olarak, geliştirilen algoritma 20 fps’ye yakın hızlarda hareketli görüntüler üzerinde çalıştırılarak anlık yabancı ot oranlarının belirlenebileceği bulunmuştur. Geliştirilen sistem kullanılarak test görüntülerinde yabancı ot piksel oranı %98’lik bir başarı ile hesaplanabilmiştir.

Keywords

hassas tarım, yabancı ot alevleme, görüntü işleme, Değişken düzeyli uygulama, yabancı ot alevleme

Supporting Institution

Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK)

Project Number

1001-117O098

Thanks

Bu çalışmayı 1001-117O098 nolu proje kapsamında destekleyen Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK)’na teşekkür ederiz.

Optimization of Image Acquisition System using Computer Vision for a Variable Rate Flame Weeder

Abstract

The objective of this study was to develop an image acquisition system, based on artificial lighting and image processing, which could be integrated with a prototype weed flaming machine used for weed control. Additionally, it was aimed to determine the operational parameters of the image acquisition chamber of the artificially illuminated image processing system using a low cost embedded circuit and a camera (Raspberry Pi 3).  OpenCV image processing library and Python programming language were used in the development stages of image processing algorithms and numerical analysis. During the system development steps, images of weeds were taken in a field condition with a mixture of various weed species, including Sorghum halepense L., Xanthium strumarium L., Convolvulus arvensis L., and Cirsiumarvense. The histograms of the images obtained in the daylight and under the artificially led chamber were compared. The pixel distributions of weeds were studied and the appropriate threshold values were found for binarization. As a conclusion, it was found that, using the system developed, real-time weed rates could be determined by working on live images at about an image acquisition speed of 20 pfs. Using the system developed, it was possible to obtain 98% success in determining the weed pixel percentages using the test images.

Keywords

Image analysis, precision agriculture, variable rate application, weed flaming

Project Number

1001-117O098

References

• Burgos-Artizzu, X.P., Ribeiro, A., Guijarro, M., and Pajares, G. 2011. Real-time image processing for crop/weed discrimination in maize fields. Computers and Electronics in Agriculture, 75(2): 337-346.
• Demir, B., Çetin, N. Ve Kuş, Z.A. 2016. Görüntü İşleme Tekniği İle Yabancı Ot Renk Özelliklerinin Belirlenmesi. Alınteri Zirai Bilimler Dergisi, 31(2): 59 –64.
• Guyer, D.E., Miles, G.E., Schreiber, M.M., Mitchell, O.R. and Vanderbilt, V.C. 1986. Machine vision and image processing for plant identification. Transactions of the ASAE, 29(6): 1500-1507.
• Kiani, S., and Jafari, A. 2012. Crop detection and positioning in the field using discriminant analysis and neural networks based on shape features. Journal of Agricultural Science and Technology, 14: 755-765.
• Lee, W.S., Slaughter, D.C., and Giles, D.K. 1999. Robotic weed control system for tomatoes. Precision Agriculture, 1(1): 95-113.
• Malemath, V.S., and Hugar, S.M. 2016. A new approach for weed detection in agriculture using image processing techniques. Internatıonal Journal of Advanced Scientific and Technical Research, 3(6): 356-359.
• Makhoul, J., Kubala, F., Schwartz, R. and Weischedel, R. 1999. Performance measures for information extraction. In Proceedings of DARPA broadcast news workshop, 1: 249-252.
• Öz, M. ve Kuşçu, H. 2018. Bursa ekolojik koşullarında yetiştirilen susamda farklı ekim zamanlarının tohum verimi ve bazı verim bileşenlerine etkileri. Bursa Uludağ Üniv. Ziraat Fak. Derg., 32(2): 111-121.
• Paikekari, A., Ghule, V., Meshram, R., and Raskar, V. B. 2016. Weed detection using image processing. International Research Journal of Engineering and Technology, 3(3): 1220-1222.
• Perez, A.J., Lopez, F., Benlloch, J.V., and Christensen, S. 2000. Colour and shape analysis techniques for weed detection in cereal fields. Computers and Electronics in Agriculture, 25(3): 197-212.
• Powers, D.M.W. 2011. Evaluation: from precision, recall and f-measure to ROC, informedness, markedness & correlation. Journal of Machine Learning Technologies, 2(1): 37-63.
• Tellaeche, A., Pajares, G., Burgos-Artizzu, X.P., and Ribeiro, A. 2011. A computer vision approach for weeds identification through Support Vector Machines. Applied Soft Computing, 11(1): 908-915.