کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
8055105 | 1519515 | 2016 | 13 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Detection of cherry tree branches with full foliage in planar architecture for automated sweet-cherry harvesting
ترجمه فارسی عنوان
تشخیص شاخه های درخت گیلاس با برگ های کامل در معماری مسطح برای برداشت خودکار شیرینی گیلاس
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
برداشت گیلاس، تقسیم بندی تصویر، طبقه بندی بیزی، تشخیص شاخه، معماری منظم عمودی، خشکسالی های قریب الوقوع،
ترجمه چکیده
برداشت تازه گیلاس یخ زده یک کار عملی است که بیش از 50٪ هزینه های تولید سالیانه را شامل می شود. برای به حداقل رساندن الزامات کار برای برداشت شیرین، تکنولوژی برداشت مکانیکی در حال توسعه است. این فن آوری ها از موتورهای دست اندام قرار می گیرند که انرژی ارتعاشی را برای تأثیر بر انتشار میوه ها اعمال می کنند. سیستم برداشت اتوماتیک مبتنی بر چشم انداز دارای توان بالقوه برای کاهش کار برداشت از طریق بهبود بهره وری با حذف دستکاری دستی، موقعیت و عملکرد سازنده برداشت محصول و / یا برداشت می باشد. یک سیستم چشم انداز برای ایجاد و کشف شاخه های درخت گیلاس با شاخ و برگ کامل، زمانی که فقط بخش های متناوب شاخه ها قابل مشاهده بود، توسعه یافت. در ابتدا یک روش تقسیم بندی تصویر برای شناسایی بخش های قابل مشاهده شاخه ها ایجاد شد. از طبقه بندی بیزی برای طبقه بندی پیکسل های تصویر به چهار کلاس - شاخه، گیلاس، برگ و پس زمینه استفاده شد. این الگوریتم در تعیین پیکسل های شاخه به دقت 89.6٪ رسید. سپس طول و جهت گیری بخش های شاخه را برای پیوند بخش های جداگانه شاخه ی یکسان و نشان دادن شاخه ها با معادله تجزیه و تحلیل کردند. معادلات مدل خطی و لگاریتمی به بخش های شاخه نصب شده و معادله با حداقل مقدار باقی مانده به عنوان مدل مناسب برای نشان دادن شاخه مربوطه انتخاب شد. شاخه های شناسایی شده با این الگوریتم با شمارش دستی مقایسه شدند. این روش یک دقت تشخیص شاخه ای را در 89.2 درصد در مجموعه ای از 141 تصویر آزمایشی که در دوران طوطی پرورش کامل یافت می شود، به دست آورد. این مطالعه نشان می دهد که پتانسیل استفاده از یک سیستم بینایی ماشین برای اتوماتیک سیستم های برداشت چوب و لکه گیری و لکه گیری.
موضوعات مرتبط
مهندسی و علوم پایه
سایر رشته های مهندسی
کنترل و سیستم های مهندسی
چکیده انگلیسی
Fresh market sweet cherry harvesting is a labour-intensive operation that accounts for more than 50% of annual production costs. To minimise labour requirements for sweet cherry harvesting, mechanized harvesting technologies are being developed. These technologies utilise manually-placed limb actuators that apply vibrational energy to affect fruit release. Machine vision-based automated harvesting system have potential to further reduce harvest labour through improving efficiency by eliminating manual handling, positioning and operation of the harvester and/or harvesting mechanism. A machine-vision system was developed to segment and detect cherry tree branches with full foliage, when only intermittent segments of branches were visible. Firstly, an image segmentation method was developed to identify visible segments of the branches. Bayesian classifier was used to classify image pixels into four classes - branch, cherry, leaf and background. The algorithm achieved 89.6% accuracy in identifying branch pixels. The length and orientation of branch segments were then analysed to link individual sections of the same branch together and to represent the branches with an equation. Linear and logarithmic model equations were fitted to the branch segments and the equation with minimum residual was selected as the best-fit model representing the corresponding branch. Branches detected with this algorithm were compared with manual counting. The method achieved a branch detection accuracy of 89.2% in a set of 141 test images acquired during full-foliage canopy. This study shows the potential of using a machine vision system for automating shake-and-catch cherry harvesting systems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Biosystems Engineering - Volume 146, June 2016, Pages 3-15
Journal: Biosystems Engineering - Volume 146, June 2016, Pages 3-15
نویسندگان
Suraj Amatya, Manoj Karkee, Aleana Gongal, Qin Zhang, Matthew D. Whiting,