طراحی الگوریتم بینایی رایانه ای برای تشخیص فلفل دلمه جهت برداشت روباتیک در شرایط نور طبیعی

نوع مقاله : مقاله پژوهشی

نویسندگان

• علی مقیمی
• محمدحسین آق خانی
• محمودرضا گلزاریان

دانشگاه فردوسی مشهد

https://doi.org/10.22067/jam.v5i1.23528

چکیده

در سال‌های اخیر، اتوماسیون در بخش کشاورزی به‌خصوص کشت گلخانه‌ای بیش از پیش مورد توجه محققین و همچنین استقبال تولیدکنندگان قرار گرفته است. دلیل اصلی این مسئله کاهش هزینه‌های تولید به‌ویژه هزینه نیروی انسانی و شرایط سخت کاری در فضای گلخانه می‌باشد. در این پژوهش سامانه بینایی یک روبات برای برداشت فلفل دلمه ارائه می‌شود که قادر به تشخیص فلفل دلمه‌ای سبز رنگ روی بوته در شرایط نور طبیعی می‌باشد. چالش بزرگ پیش روی این تحقیق و برخی محصولات دیگر، مشابهت رنگ محصول با برگ‌ها به‌خصوص در شرایط نور طبیعی بود. برای غلبه بر این چالش، یک شاخص جدید بافتی بر پایه تخمین چگالی لبه تعریف و در ترکیب با شاخص‌های رنگی شامل رنگمایه، شدت اشباع رنگی و سبزینگی تشدید شده (EGI) برای شناسایی میوه‌های مورد نظر استفاده شد. برای ارزیابی سامانه نرم افزاری روبات، از بوته‌های مختلف 50 تصویر تهیه و از مجموع 107 فلفل دلمه موجود در فضای کاری بازوی روبات سامانه قادر به تشخیص 92 عدد از آن‌ها (دقت تشخیص 86% ) بود. با استفاده از پارامتر تعریف شده بافتی، خطای سامانه در شناسایی پس زمینه مخصوصاً برگ‌ها به‌عنوان فلفل دلمه‌های سبز به‌میزان 98/92 درصد کمتر از آنالیز صرفاً رنگی شد، که نشان از مؤثر بودن شیوه تعریف شده جدید در این پژوهش دارد. از مهم‌ترین عوامل بروز خطا، علاوه بر تشابه رنگی میان فلفل دلمه و برگ، می‌توان به سطح براق و ناصاف فلفل دلمه اشاره نمود که به‌ترتیب باعث بازتابش زیاد و ناهمگنی روشنایی روی سطح فلفل دلمه می‌شود.

کلیدواژه‌ها

• برداشت خودکار
• بینایی رایانه ای
• پردازش تصویر
• روبات
• شاخص بافت تصویر

20.1001.1.22286829.1394.5.1.9.0

مراجع

1. Canny, J. 1986. A computational approach to edge detection. The IEEE Transactions on Pattern Analysis and Machine Intelligence 8: 679-698.

2. De-An, Z., L. Jidong, J. Wei, Z. Ying, and C. Yu. 2011. Design and control of an apple harvesting robot. Biosystems Engineering 110: 112-122.

3. Golzarian, M. R., M. K. Lee, and J. M. A. Desbiolles. 2012. Evaluation of color indices for improved segmentation of plant images. Transactions of the ASABE 55: 261-273.

4. Hayashi, S., K. Shigematsu, S. Yamamoto, K. Kobayashi, Y. Kohno, J. Kamata, and M. Kurita. 2010. Evaluation of a strawberry-harvesting robot in a field test. Biosystems Engineering 105: 160-171.

5. Hemming, J., J. L. Ruizendaal, J. W. Hofstee, and E. J. van Henten. 2012. Fruit detectability analysis for different camera positions in sweet-pepper. Sensors 14 (4): 6032-6044.

6. Kassler, M. 2001. Agricultural automation in the new millennium. Computers and Electronics in Agriculture 30: 237-240.

7. Kitamura, S., K. Oka, K. Ikutomo, Y. Kimura, and Y. Taniguchi. 2008. A distinction method for fruit of sweet pepper using reflection of LED light. In SICE Annual Conference. The University Electro-Communications, Japan.

8. Lamm, R. D., D. C. Slaughter, and D. K. Giles. 2002. Precisionweed control system for cotton. Transactions of the ASAE 45 (1): 231-238.

9. Mohamadi Monavar, H., R. Alimardani, and M. Omid. 2013. Computer vision utilization for detection of green house tomato under natural illumination. Journal of Agricultural Machinery 3: 9-15. (In Farsi).

10. Ohta, Y., T. Kanade, and T. Sakai. 1980. Color information for region segmentation. Computer Graphics and Image Processing 13: 222-241.

11. Sarig, Y. 2005. Mechanized fruit harvesting-site specific solutions. Information and Technology for Sustainable Fruit and Vegetable Production, FRUTIC. Montpellier, France.

12. Tanigaki, K., T. Fujiura, A. Akase, and J. Imagawa. 2008. Cherry-harvesting robot. Computers and Electronics in Agriculture 63: 65-72.

13. Van Henten, E. J., B. A. J. Van Tuijl, J. Hemming, J. G. Kornet, J. Bontsema, and E. A. Van Os. 2003. Field test of an autonomous cucumber picking robot. Biosystems Engineering 86: 305-313.