Розпізнавання та локалізація сходів сільськогосподарських культур на основі аналізу цифрових зо-бражень
Анотація
З розвитком цифрових технологій можна з легкістю отримати велику кількість зображень сільськогосподарських угідь. Завдяки ефективному аналізу таких цифрових зображень, ми отримуємо інформацію стосовно темпів росту сільськогосподарських культур, що може покращити сільськогосподарське виробництво. Ефективність традиційного моніторингу росту культур невисока, особливо на великих сільськогосподарських угіддях, оскільки такий моніторинг займає багато часу. Штучний метод обмежує своєчасність прийняття наукових рішень щодо необхідності обробки сільськогосподарських угідь. Прогресивні цифрові технології та технології обробки зображень відкривають новий спосіб моніторингу, який не завдає шкоди сільськогосподарським культурам. Результати аналізу зображень можуть допомогти агровиробникам швидко і точно оцінювати темпи росту культур, що сприятиме прийнятю швидких та ефективних управлінських рішень. Об'єктом дослідження є отримані зображення сходів соняшнику на сільськогосподарських угіддях. Основний зміст дослідження полягає у розпізнавані зелених сходів на ґрунтовому фоні. Запропоновано метод розпізнавання сходів соняшнику на основі зонації ділянок за кольором і методу Оцу для обчислення порогового зображення. Цей метод простий у застосуванні та може бути пристосований для сегментації зображень сільськогосподарських угідь, що закладає основу для процесу локалізації таких культур. Ґрунтуючись на результатах розпізнавання зображень, завдяки алгоритму сходи культур можуть бути локалізовані. Завдяки швидкій ідентифікації сходів соняшнику, можна визначити ділянки із прогалинами, де зійшли не усі саджанці. Або навпаки, визначити ділянки із ущільненими сходами, де кількість сходів потрібно зменшити. Алгоритм забезпечує основу для точного управління. Отримані результати показують, що алгоритм із компонентом визначення зеленого кольору може швидко та ефективно ідентифікувати сходи соняшнику на ґрунтовому фоні та на основі розпізнавання зображень локалізувати такі сходи. Цей алгоритм не чутливий до вологості ґрунту та умов освітлення, а також менше схильний до впливу залишкового покриву угідь, тому він може застосовуватися до різних типів ґрунту. Окрім цього, такий метод є прикладом неруйнівного моніторингу сходів соняшнику.
Посилання
2. Iqbal, Z., Khan, M. A., Sharif, M., Shah, J. H., ur Rehman, M. H., & Javed, K. (2018). An automated detection and classification of citrus plant diseases using image processing techniques: A review. Computers and electronics in agriculture, 153, 12‒32.
3. Nguyen, L. H., Zhu, J., Lin, Z., Du, H., Yang, Z., Guo, W., & Jin, F. (2019, April). Spatial-temporal multi-task learning for within-field cotton yield prediction. In Pacific-Asia Conference on Knowledge Discovery and Data Mining, Springer, Cham, 343‒354.
4. Lei Yaping, Han Yingchun, Wang Guoping, Feng Lu, Yang Beifang, fan Zhengyi, Wei Xiaowen, Wang zhanbiao, Zhi Xiaoyu and Xiong Shiwu (2017). Low altitude digital image diagnosis technology of cotton seedling by UAV. China Cotton, 5, 23343‒354. 25
5. Zhang Meina, Feng Aijing, zhoujianfeng and lvxiaolan (2019). prediction of cotton yield based on visual and spectral images collected by UAV. (English). "Journal of Agricultural Engineering (5), 11.
6. José M. Peña, Jorge Torres-Sánchez, Angélica Serrano-Pérez, Ana I. de Castro and Francisca López-Granados (2015).Quantifying efficacy and limits of unmanned aerial vehicle (UAV) technology for weed seedling detection as affected by sensor resolution. Sensors (Basel, Switzerland), 15(3), 5609‒5626.
7. Di Gennaro, S. F., Toscano, P., Cinat, P., Berton, A., & Matese, A. (2019). A precision viticulture UAV-based approach for early yield prediction in vineyard. In Precision agriculture’19, Wageningen Academic Publishers, 370‒378.
8. Filippi, P., Whelan, B. M., Vervoort, R. W., & Bishop, T. F. (2020). Mid-season empirical cotton yield forecasts at fine resolutions using large yield mapping datasets and diverse spatial covariates. Agricultural Systems, 184, 102894.
9. Tedesco-Oliveira, D., da Silva, R. P., Maldonado Jr, W., & Zerbato, C. (2020). Convolutional neural networks in predicting cotton yield from images of commercial fields. Computers and Electronics in Agriculture, 171, 105307.
10. Samiei, S., Rasti, P., Vu, J. L., Buitink, J., & Rousseau, D. (2020). Deep learning-based detection of seedling development. Plant Methods, 16(1), 1‒11.
11. Jiang, Y., Li, C., Paterson, A. H., & Robertson, J. S. (2019). DeepSeedling: deep convolutional network and Kalman filter for plant seedling detection and counting in the field. Plant methods, 15(1), 1‒19.
12. Feduck, C., McDermid, G. J., & Castilla, G. (2018). Detection of coniferous seedlings in UAV imagery. Forests, 9(7), 432
13. Quan, L., Feng, H., Lv, Y., Wang, Q., Zhang, C., Liu, J., & Yuan, Z. (2019). Maize seedling detection under different growth stages and complex field environments based on an improved Faster R–CNN. Biosystems Engineering, 184, 1‒23
14. Khirade, S. D., & Patil, A. B. (2015). Plant disease detection using image processing. In 2015 International conference on computing communication control and automation IEEE, 768‒771.
15. Singh, V., & Misra, A. K. (2015). Detection of unhealthy region of plant leaves using image processing and genetic algorithm. In 2015 International Conference on Advances in Computer Engineering and Applications IEEE, 1028‒1032.
16. Pujari, J. D., Yakkundimath, R., & Byadgi, A. S. (2015). Image processing based detection of fungal diseases in plants. Procedia Computer Science, 46, 1802‒1808.
17. Oo, Y. M. & Htun, N. C. (2018). Plant leaf disease detection and classification using image processing. International Journal of Research and Engineering, 5(9), 516‒523.
18. Zhang Yibin & Gu Linling (2018). Global sunflower planting area and pesticide market and varieties in recent years. modern pesticide 17(01), 16‒18.
19. Yinjianjun, Shenbaoguo & Chen Shuren (2010). Field weed localization technology based on machine vision. Journal of agricultural machinery, 41(06), 163‒166+192
20. Gong Lixiong (2014). Crop image recognition based on COM VI and double threshold Otsu algorithm. Journal of drainage and irrigation machinery engineering, 000(004), 363‒368.
21. Chen Xiaobang, Zuo Yayao, & Wang Mingfeng (2019). A method of crop image recognition by UAV. Cn109241817a
22. Tian Haifeng, Wu Mingquan, Niu Zheng, Wang Changyao, & Zhao Xin (2015). Recognition of upland crops under complex planting structure based on radarsat-2 image. Acta AGRICULTURAE engi neering Sinica, 31(023), 154‒159.
23. Sun Ming & Ling Yun (2002). Automatic recognition technology of radish seedling based on computer vision. Journal of agricultural machinery, 05, 75‒77.
24. Wang sile, Yang Wenzhu & Lu sukui (2015). Identification methods of green plants in the monitoring image of crop growth in field. Jiangsu Agricultural Sciences, 43(11), 487‒492.
25. Ke Qiuhong, Zhang Junmei & Tian Ye (2013). Fast extraction of green plants from digital images. Computer applications and software, 30(10), 266‒268 + 283.
26. Zhang Zhibin, Luo Xiwen, Hou Fuxiang & Xu Xiaodong (2010). A fast segmentation algorithm for ridge and row structures based on color features. 2010 International Conference on Agricultural Engineering, Shanghai, China.
27. Wang Xue & Guo Xinxin (2018). The method of green crop segmentation based on GR color characteristics. Heilongjiang Science, 9(16), 14‒15 + 19
28. Liu Lijuan, liuzhongpeng and Cheng Fang (2013). Study on image recognition and preprocessing of maize leaf disease during growing period. Henan Agricultural Science, 42(10), 91‒94.
29. Liu Liqiang, Xiang Jianting and Wu Zequan (2012). Research on rapid identification method of healthy seedlings based on color features. Agricultural science and technology and equipment, 06, 26‒28.
30. Zhou Jun, Wang Mingjun & Shao Qiaolin (2013). Adaptive segmentation method of green plants in farmland image. Journal of agricultural engineering, 29(18), 163‒170.
31. Su Boni, Hua Xiyao & Fan Zhenqi (2018). Research on image segmentation of rice diseases based on color features. Computer and Digital Engineering, 08, 1638‒1642.
ISSN 
ISSN 
