کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5471880 1519504 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Weed segmentation using texture features extracted from wavelet sub-images
ترجمه فارسی عنوان
تقسیم علف های هرز با استفاده از ویژگی های بافت استخراج شده از زیر تصاویر ویولت
کلمات کلیدی
شبکه های عصبی مصنوعی، چغندر قند، زیر باند موجک، تشخیص علف های هرز،
ترجمه چکیده
تشخیص علف های هرز یک مشکل پیچیده است که نیاز به منابع مختلفی برای جمع آوری اطلاعات برای تبعیض موفق دارد. در این مقاله ویژگیهای بافت ویولت برای بررسی پتانسیل شناسایی علف های هرز در یک محصول چغندرقند بررسی شد. گام های متوالی در یک الگوریتم تبعیض طراحی شده است تا مشخص شود که ویژگی های بافت طوفانی برای هر بخش تقسیم تصویر به یک شبکه عصبی مصنوعی داده می شود. ویژگی های بافت همبستگی برای هر یک از تصاویر با وضوح چندگانه تولید شده توسط تبدیل موجک یکطرفه تعیین شد. تقسیم بندی تصویر بر اساس تصمیم گیری توسط شبکه عصبی برای برچسب گذاری هر زیر بخش به عنوان علف هرز یا محصول اصلی بود. بهینه سازی الگوریتم با بررسی دو روش تبعیض علف های هرز از محصول اصلی مورد بررسی قرار گرفت. تجزیه و تحلیل اجزای اصلی برای انتخاب 14 از 52 ویژگی بافت استخراج استفاده شد. نتایج نشان داد که ویژگی های بافت موجک قادر به اثرگذاری علف های هرز در میان محصولات می باشند حتی زمانی که میزان انسداد قابل توجهی وجود داشته و با هم تداخل داشته باشد.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
تقسیم علف های هرز با استفاده از ویژگی های بافت استخراج شده از زیر تصاویر ویولت
چکیده انگلیسی
Weed detection is a complicated problem which needs several sources of information to be gathered for successful discrimination. In this paper wavelet texture features were examined to verify their potential in weed detection in a sugar beet crop. Successive steps in a discrimination algorithm were designed to determine the wavelet texture features for each image sub-division to be fed to an artificial neural network. Co-occurrence texture features were determined for each multi-resolution image produced by single-level wavelet transform. Image segmentation was based on the decision made by neural network to label each sub-division as weed or main crop. Optimisation of the algorithm was tried by investigating two manners of discrimination of weeds from the main crop. Principal Component Analysis was used to select 14 from the 52 extracted texture features. Results demonstrated that the wavelet texture features were able to effectively discriminate weeds among the crops even when there was significant amount of occlusion and leaves overlapping.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Biosystems Engineering - Volume 157, May 2017, Pages 1-12
نویسندگان
, , , ,