تعیین تعداد گیاه؜چه‌های چغندرقند با به‏کارگیری روش پردازش تصویر

نوع مقاله : کامل علمی - پژوهشی

نویسندگان

1 استادیار بخش تحقیقات فنی و مهندسی کشاورزی مرکز تحقیقات کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران.

2 استادیار بخش تحقیقات چغندرقند مرکز تحقیقات کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران.

3 استادیار بخش مهندسی بیوسیستم دانشکده کشاورزی دانشگاه شیراز، شیراز، ایران.

چکیده

درصد سبزشدن ارقام و هیبریدهای مختلف چغندرقند در مزرعه به­عنوان یک ویژگی برتر رقم اصلاح­شده برای به‌نژادگر اهمیت ویژ‌ه‌ای دارد. هدف از اجرای این تحقیق، ارائه یک روش مبتنی بر پردازش تصویر برای شمارش سریع و دقیق گیاهچه‌های سبزشده ارقام مختلف چغندرقند در مزرعه بود. تصاویر با استفاده از یک دوربین دیجیتال و از یک ارتفاع ثابت، در خرداد ماه سال 1396 در ایستگاه تحقیقات کشاورزی زرقان تهیه و به محیط نرم­افزار (Matlab) منتقل ­شد. با استفاده از تکنیک‌های پردازش تصویر و توابع موجود در نرم­افزار، الگوریتم شمارش و تعیین تعداد گیاهچه‌های چغندرقند در یک طول ثابت، کدنویسی و ارائه شد. الگوریتم ارائه شده، مربوط به حالت‌هایی بود که برگ گیاهچه‌های چغندرقند از یکدیگر فاصله داشته و یا فقط با یکدیگر تماس داشتند. دقت الگوریتم 90/32 درصد و مدت زمان اجرای آن حدود 1/67 ثانیه بود. تعداد واقعی گیاهچه‌ها و تعداد مشاهده شده توسط الگوریتم، با استفاده از آزمون مقایسه‌ای (T-student) زوجی از نظر آماری مورد بررسی قرار گرفت و مشخص شد که بین آنها تفاوت معنی‌داری در سطح احتمال پنج درصد وجود ندارد. همچنین ارقام مختلف چغندرقند در اجرای الگوریتم و دقت آن تأثیری نداشت. نتایج نشان داد که می‌توان به­جای شمارش چشمی تعداد گیاهچه‌ها، با تصویربرداری و بکارگیری الگوریتم این عمل را با دقت بیش از 90 درصد برای دو حالت فوق انجام داد.

کلیدواژه‌ها

عنوان مقاله [English]

Determining the number of sugar beet seedling using image processing method

نویسندگان [English]

  • Mohammad Shaker 1
  • M. Bazrafshan 2
  • Abdolabbas Jafari 3
1 Assistant Professor of Agricultural Engineering Research Department, Fars Agricultural and Natural Resources Research Center, Agricultural Research, Education and Extension Organization (AREOO), Shiraz, Iran.
2 Assistant Professor of Sugar beet Reseach Department, Fars Agricultural and Natural Resources Research Center, Agricultural Research, Education and Extension Organization (AREOO), Shiraz, Iran.
3 3- Assistant Professor of Biosystem Engineering Department, Faculty of Agriculture, Shiraz University, Shiraz, Iran.
چکیده [English]

The germination percentage of different sugar beet cultivars and hybrids in the field is of special importance for the breeder as a superior feature of the improved cultivar. The aim of this study was to provide an image processing-based method for rapid and accurate counting of seedling number of various sugar beet cultivars in the field. The images were taken using a digital camera from a fixed height and transferred to the Matlab software environment in May 2017 at Zarghan Agricultural Research Station. Using image processing techniques and functions in the software, the algorithm for counting and determining the number of sugar beet seedling in a fixed length was coded and presented. The proposed algorithm was related to situations in which the leaves of sugar beet seedling were far from each other or only in contact with each other. The accuracy of the algorithm was 90.32% and its execution time was about 1.67 seconds. The actual number of seedlings and the number observed by the algorithm were statistically analyzed by paired t-student test and it was found no significant difference between them (P<0.05). Also, different sugar beet cultivars had no effect on the implementation of the algorithm and its accuracy. The results showed that instead of visually counting the number of seedlings, this procedure can be done with more than 90% accuracy for the above two conditions by imaging and using the algorithm.

کلیدواژه‌ها [English]

  • Germination
  • Image processing
  • Seedling
  • Sugar beet

مراجع

Alharbi N, Zhou J, Wang W. Automatic Counting of Wheat Spikes from Wheat Growth Images. Proceedings of the 7th International Conference on Pattern Recognition Applications and Methods; 2018.
Bairwa N, Agrawal N, Gupta S. Development of counting algorithm for overlapped agricultural products. International Journal of Computer Application. 2014; 16–19.
Brunes AP, Araújo AS, Dias LW, Villela FA, Aumonde TZ. Seedling length in wheat determined by image processing using mathematical tools. Revista Ciência Agronômica. 2016; 47(2): 374-379. 
Ducournau S, Feutry A, Plainchault P, Revollon P, Vigouroux B, Wagner MH. An image acquisition system for au­tomated monitoring of the germination rate of sunflower seeds. Computers and Electronics in Agriculture. 2004; 44(3): 189–202.
Geneve RL, Kester ST. Evaluation of seedling size following germination using computer-aided analysis of digital images from flat-bed scanner. Horticultural Science. 2001; 36: 1117–1120.
Guerin D, Cointault F, Gee F, Guillemin J. Feasibility study of a wheatears counting vision system. Proceedings of the 7th International Conference on Pattern Recognition Applications and Methods. 2004.
Harmsen SR, Koenderink NJJP. Multi-target Tracking for Flower Counting using Adaptive Motion Models. Computers and Electronics in Agriculture. 2009; 65: 7-18.
Heidari AR. Image processing in Matlab, Behavara and Kelk Zarin Publishers, 2012; pp. 228. (in Persian, abstract in English)
Liu T, Wu W, Chen W, Sun C. Automated image-processing for counting seedlings in a wheat field. Precision Agriculture. 2016; 17(4): 392-406.
Lurstwut B, Pornpanomchai C. Application of image processing and computer vision on rice seed germination analysis. International Journal of Applied Engineering Research. 2016; 11: 6800-6807.
Orek H, Abdanan Mehdizadeh S, Saadi M. Predicting sugar beet performance by online image processing. Journal of Sugar Beet. 2019; 34(2): 181-191.  
Sako Y, McDonald MB, Fujimura K, Evans AF, Bennett MA. A system for automated seed vigor assessment. Seed Science and Technology. 2001; 29(3): 625-636.
Shaker M, Minaei S, Khoshtaghaza MH, Banakar A, Jafari AA. Utilization of Machine Vision for Performance Improvement and Reduction of Losses in Paddy Husker. Agricultural Mechanization and systems Research. 2015; 16(65): 47-64. (in Persian, abstract in English)
Zhao MJ, Qin SL, Liu Z, Cao J, Yao X, Ye S, Li L. An automatic counting method of maize ear grain based on image processing. Springer International Publishing. 2015; 452: 521–533.
چغندرقند
دوره 36، شماره 1
فروردین 1399
صفحه 71-79

فایل ها

هم رسانی

ارجاع به این مقاله

آمار