Kylvörivien automaattinen paikannus hahmontunnistusmenetelmillä
Tenhunen, Henri (2017-08-15)
Kylvörivien automaattinen paikannus hahmontunnistusmenetelmillä
Tenhunen, Henri
(15.08.2017)
Tätä artikkelia/julkaisua ei ole tallennettu UTUPubiin. Julkaisun tiedoissa voi kuitenkin olla linkki toisaalle tallennettuun artikkeliin / julkaisuun.
Turun yliopisto
Kuvaus
Siirretty Doriasta
Tiivistelmä
Rikkakasvien automaattinen paikantaminen on täsmäviljelytutkimuksessa aktiivinen tutkimusalue. Luotettavasti käytännön olosuhteissa toimiva automaattinen kasvien tunnistusmenetelmä mahdollistaisi kasvinsuojeluainemäärien vähentämisen, mikä puolestaan leikkaisi kustannuksia ja kuormittaisi vähemmän kasvinviljelyn ekosysteemiä. Riviviljelyssä rikkakasvit on mahdollista paikantaa olettamalla orasvaiheessa, että kaikki rivien välissä kasvavat kasvit ovat rikkakasveja. Kylvörivit täytyy ensin tunnistaa automaattisesti, jotta kasveja voi etsiä rivien väleistä.
Tässä tutkielmassa esitetään Turun yliopiston tulevaisuuden teknologioiden ja biokemian laitosten yhteistyöprojektia varten kehitettyä uutta klusterointiin pohjautuvaa kylvörivien tunnistusalgoritmia. Rivit etsitään ilmakuvista, jotka kuvataan pelloilta octokopterilla noin kymmenen metrin korkeudelta. Algoritmi koostuu kolmesta vaiheesta: segmentoinnista, piirteenlaskennasta sekä luokittelusta. Ensiksi kuvasta erotetaan kasvit taustasta, jonka jälkeen paikannetut kasvialueet ryhmitellään riveihin kasvialueiden geometrisen painopisteen sekä kylvörivien keskiarvoisen suuntakulman perusteella. Rivien keskimääräinen suunta estimoidaan Fourier'n muunnoksella ja pääkomponenttianalyysilla.
Kehitetyn algoritmin luokittelun tarkkuutta ja suoritusaikaa on testattu ruispelloilta kerätyllä kuva-aineistolla. Testien perusteella menetelmällä on mahdollista paikantaa harvakasvuisia ja erisuuntaisia kylvörivejä. Lisäksi metodi pystyy automaattisesti estimoimaan rivien määrän. Keskimäärin algoritmi tunnisti rivit 1452 x 969 kokoisista kuvista noin 0,34 sekunnissa 94% luokittelutarkkuudella. The automatic locating of weeds from crop rows is an active subject of research in precision agriculture. A working method of automatically locating crops would drop the amount of pesticides which, in turn, would cut the expenses and lessen the strain on the ecosystem. In crop row farming, weeds are possible to locate during the sprouting period by assuming that everything that is growing between the rows is a weed. Planted rows must first be identified automatically in order to search for the plants between the rows.
This thesis presents a new crop row identification algorithm that has been developed
for a joint project in collaboration between the Department of Future Technologies and the Department of Biochemistry at the University of Turku. The rows are located from aerial pictures taken from the crop fields with octocopter which was hovering 10 meters above the ground.
The algorithm has three segments: segmentation, feature extraction and classification. First the plants are separated from the background of the picture. Then the located areas of plants are grouped into rows based on the geometric center and direction angle of the crop rows. The average direction of the rows is estimated using the Fourier Transform and principal component analysis.
The accuracy of the classification and the execution time of the algorithm has been tested by picture material taken from a local rye field. According to the tests, it is possible to locate differences such as sparse growth and deviation of the growth direction in the crop rows. In addition, this method can automatically estimate the number of rows. On average, the algorithm recognized the crop rows from 1452 x 969 pixel sized images in 0,34 seconds with 94 % classification accuracy.
Tässä tutkielmassa esitetään Turun yliopiston tulevaisuuden teknologioiden ja biokemian laitosten yhteistyöprojektia varten kehitettyä uutta klusterointiin pohjautuvaa kylvörivien tunnistusalgoritmia. Rivit etsitään ilmakuvista, jotka kuvataan pelloilta octokopterilla noin kymmenen metrin korkeudelta. Algoritmi koostuu kolmesta vaiheesta: segmentoinnista, piirteenlaskennasta sekä luokittelusta. Ensiksi kuvasta erotetaan kasvit taustasta, jonka jälkeen paikannetut kasvialueet ryhmitellään riveihin kasvialueiden geometrisen painopisteen sekä kylvörivien keskiarvoisen suuntakulman perusteella. Rivien keskimääräinen suunta estimoidaan Fourier'n muunnoksella ja pääkomponenttianalyysilla.
Kehitetyn algoritmin luokittelun tarkkuutta ja suoritusaikaa on testattu ruispelloilta kerätyllä kuva-aineistolla. Testien perusteella menetelmällä on mahdollista paikantaa harvakasvuisia ja erisuuntaisia kylvörivejä. Lisäksi metodi pystyy automaattisesti estimoimaan rivien määrän. Keskimäärin algoritmi tunnisti rivit 1452 x 969 kokoisista kuvista noin 0,34 sekunnissa 94% luokittelutarkkuudella.
This thesis presents a new crop row identification algorithm that has been developed
for a joint project in collaboration between the Department of Future Technologies and the Department of Biochemistry at the University of Turku. The rows are located from aerial pictures taken from the crop fields with octocopter which was hovering 10 meters above the ground.
The algorithm has three segments: segmentation, feature extraction and classification. First the plants are separated from the background of the picture. Then the located areas of plants are grouped into rows based on the geometric center and direction angle of the crop rows. The average direction of the rows is estimated using the Fourier Transform and principal component analysis.
The accuracy of the classification and the execution time of the algorithm has been tested by picture material taken from a local rye field. According to the tests, it is possible to locate differences such as sparse growth and deviation of the growth direction in the crop rows. In addition, this method can automatically estimate the number of rows. On average, the algorithm recognized the crop rows from 1452 x 969 pixel sized images in 0,34 seconds with 94 % classification accuracy.