با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

2 گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

چکیده

سطح یک خاک خاک‌ورزی شده مملو از خاک‌دانه‌ها و کلوخه‌هایی است که دارای اندازه‌های مختلف می‌باشند به گونه‌ای‌که اندازه آن‌ها از نظر کیفیت خاک‌ورزی و میزان مصرف انرژی در آماده‌سازی بستر بذر از اهمیت به‌سزایی برخوردار است. در این پژوهش طبقه‌بندی کلوخه‌های حاصل از خاک‌ورزی از طریق بینایی استریو بر اساس طول، عرض و ارتفاع آن‌ها مورد توجه قرار گرفته است. از بین این ابعاد، محاسبه ارتفاع (ضخامت) کلوخه‌ها همواره با چالش روبه‌رو بوده است؛ چرا که محاسبه آن که در اصطلاح پردازش تصویر به عمق تصویر معروف است، با یک تصویر تکی غیرممکن و یا بسیار سخت می‌باشد که برای این به سه‌بعدی‌سازی تصویر نیاز است. در این مطالعه یک مجموعه داده تصاویر استریو از سطح خاک در زمین زراعی تهیه گردید. تعداد این زوج تصاویر استریو برابر 312 جفت بود که برای بازسازی سه‌بعدی آن‌ها به‌ترتیب عملیات کالیبراسیون، استخراج نقاط کلیدی از زوج تصاویر استریو، تطابق نقاط یافته شده و محاسبه مدل ابر نقطه‌ای روی آن‌ها انجام پذیرفت و تصاویر به شکل سه‌بعدی درآمدند. با به‌دست آمدن تصویر سه‌بعدی ارتفاع کلوخه‌ها محاسبه شدند و نهایتاً با در اختیار داشتن این اطلاعات و نیز استفاده از مدل تحلیل تمییزی به‌عنوان یک دسته‌بند خطی، کلوخه‌ها با اندازه‌های گوناگون طبقه‌بندی شدند. بالاترین دقت طبقه‌بندی 2/96% و نیز دقت کلی طبقه‌بندی برابر 7/83% به‌دست آمد. نتایج این مطالعه نشان داد رویکرد بینایی استریو می‌تواند با تعیین ابعاد کلوخه‌ها به‌ویژه ارتفاع آن‌ها در کیفیت‌سنجی عملیات خاکورزی به‌صورت رضایت‌بخشی مورد استفاده قرار گیرد.

کلیدواژه‌ها

Open Access

©2020 The author(s). This article is licensed under Creative Commons Attribution 4.0 International License (CC BY 4.0), which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source.

1. Abbaspour-Gilandeh, Y., and R. Sedghi. 2015. Predicting soil fragmentation during tillage operation using fuzzy logic approach. Journal of Terramechanics 57: 61-69.
2. Bogrekci, I., and R. J. Godwin. 2007. Development of an image processing technique for soil tilth sensing. Biosystems Engineering 97: 323-331.
3. Bradski, G., and A. Kaehler. 2008. Learning OPenCV: computer vision with the OpenCV library. O’Reilly Media, Inc. USA.
4. Chepil, W. S., and F. Bisal. 1943. A rotary sieve method for determining the size distribution of soil clods. Soil Science 56: 95-100.
5. Chimi-Chiadjeu, O., E. Vannier, R. Dusseaux, and O. Taconet. 2011. Influence of Gradient Estimation on Clod Identification on a Seedbed Digital Elevation Model. Environmental & Engineering Geoscience 4: 337-352.
6. Chimi-Chiadjeu, O., S. Le Hegarat-Mascle, E. Vannier, O. Taconet, and R. Dusseaux. 2014. Automatic clod detection and boundary estimation from Digital Elevation Model images using different approaches. Catena 118: 73-83.
7. Czachor, H., and J. Lipiec. 2004. Quantification of soil macroporosity with image analysis. Int. Agrophys 18: 217-223.
8. Faraji-Mahyari, Z., and Sh. Rafiee. 2016. Principles of stereo vision and its applications in automated farming operations. National Conference on Research Findings in Natural and Agricultural Ecosystems Tehran, Iran. (In Farsi).
9. Gardel_Kurka, P. R., and A. A. Diaz-Salazar. 2019. Applications of image processing in robotics and instrumentation. Mechanical Systems and Signal Processing 124: 142-169.
10. Gilliot, J. M., E. Vaudour, and J. Michelin. 2017. Soil surface roughness measurement: A new fully automatic photogrammetric approach applied to agricultural bare fields. Computers and Electronics in Agriculture 134: 63-78.
11. Hartley, R., and A. Zisserman. 2003. Multiple view geometry in computer vision. Cambridge University Press. New York, USA.
12. Itoh, H., K. Matsuo, A. Oida, H. Nakashima, J. Miyasaka, and T. Izumi. 2008. Aggregate size measurement by machine vision. Journal of Terramechanics 45:137-145.
13. Jafari-Malekabadi, A., M. Khojastehpour, and B. Emadi. 2019. Disparity map computation of tree stereo vision system and effect of canopy shapes and foliage density. Computers and Electronics in Agriculture 156: 627-644.
14. Kemper, W. D., and W. S. Chepil. 1965. Size distribution of aggregates. In C. A. Black et al. (ed). Methods of soil analysis, Part 1. Agronomy 9: 499- 510.
15. Kemper, W. D., T. J. Trout, M. J. Brown, and R. C. Rosenau. 1985b. Furrow erosion and water and soil management. Transactions of the American Society of Agricultural Engineering 28: 1564- 1572.
16. Kise, M., Q. Zhang, and F. Rovira Mas. 2005. A stereovision-based crop row detection method for tractor-automated guidance. Biosystems Engineering 90 (4): 357-367.
17. Lindeberg, T. 1994. Scale-space theory: a basic tool for analyzing structures at different scales. Journal of Applied Statistics 21 (2): 224-270.
18. Loop, C., and Z. Zhang. 1999. Computing rectifying homographies for stereo vision. IEEE, CVPR 125-131.
19. Lowe, D. G. 2004. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision 60 (2): 91-110.
20. Lyles, L., J. D. Dickerson, and L. A. Disrud. 1970. Modified rotary sieve for improved accuracy. Soil Science 109: 207-210.
21. Nasr, H. M., and F. Selles. 1995. Seedling emergence as influenced by aggregate size, bulk density, and penetration resistance of the seedbed. Soil & Tillage research 34: 61-76.
22. Nasiri, A., H. Mobli, S. Hosseinpour, and Sh. Rafiee. 2017. Creation greenhouse environment map using localization of edge of cultivation platforms based on stereo vision. Journal of Agricultural Machinery 7 (2): 336-349. (In Farsi).
23. Neal-Smith, L., W. Zhang, F. M. Hansen, I. John-Hales, and M. Lionel-Smith. 2018. Innovative 3D and 2D machine vision methods for analysis of plants and crops in the field. Computers in Industry 97: 122-131.
24. Piers, L. F., J. A. Rosa, and L. C. Timm. 2011. Comparison of methods to evaluate soil bulk density. Acta Science. Agron 33 (1): 161-170.
25. Rahimi-Ajdadi, F., Y. Abbaspour-Gilandeh, K. Mollazade, and R. Hasanzadeh-Pakrezaie. 2016. Application of machine vision for classification of soil aggregate size. Soil & Tillage Research 162: 8-17.
26. Riegler, T., C. Rechberger, F. Handler, and H. Prankl. 2014. Image processing system for evaluation of tillage quality. Landtechnik 69: 125-131.
27. Sandri, R., T. Anken, T. Hilfiker, L. Sartori, and H. Bollhalder. 1998. Comparison of methods for determining cloddiness in seedbed preparation. Soil & Tillage Research 45: 75-90.
28. Sankowski, W., M. Wlodarczyk, D. Kacperski, and K. Grabowski. 2017. Estimation of measurement uncertainty in stereo vision system. Image and Vision Computing 61: 70-81.
29. Stafford, J. V., and B. Amber. 1990. Computer vision as a sensing system for soil cultivator control. Proceedings of ImecE, C419/0441 123-129.
30. Stehman, S. V. 1997. Selecting and interpreting measures of thematic classification accuracy. Remote Sensing of Environment 62: 77- 89.
31. Taconet, O., and V. Ciarletti. 2007. Estimating soil roughness indices on a ridge-and furrow surface using stereo photogrammetry. Soil & Tillage Research 93: 64-76.
32. Taconet, O., R. Dusseaux, E. Vannier, and O. Chimi-Chiadjeu. 2013. Statistical description of seedbed cloddiness by structuring objects using digital elevation models. Computers & Geosciences 60:117-125.
33. Thmosen, L. M., J. E. M. Baartman, R. J. Barneveld, T. Starkloff, and J. Stolte. 2015. Soil surface roughness: comparing old and new measuring methods and application in a soil erosion model. Soil Journal 1: 399-410.
34. Trucco, E., and A. Verri.1998. Introductory techniques for 3-D computer vision. Prentice Hall. Englewood Cliffs, New Jersey, USA.
35. Van Bavel, C. H. M. 1949. Mean weight diameter of soil aggregates as a statistical index of aggregation. Soil Science Society of America Journal 14: 20-23.
36. Vannier, E., V. Ciarletti, and F. Darboux. 2009. Wavelet-based detection of clods on a soil surface. Computers & Geosciences 35: 2259-2267.
37. Vannier, E., O. Taconet, R. Dusseaux, and F. Darboux. 2018. A study of clod evolution in simulated rain on the basis of digital elevation models. Catena 160: 212-221.
38. Zhang, X., and W. Dahu. 2019. Application of artificial intelligence algorithms in image processing. Journal of Visual Communication and Image Representation 61: 42-49.
CAPTCHA Image