«Al-Farg’oniy avlodlari» («The descendants of Al-Fargani»)
Published March 25, 2024 | Version v1
Journal article Open

Нейронные технологии распознавания и классификация степени раскрытия хлопковых коробочек

Creators

Description

В данной статье предложен усовершенствованный алгоритм обнаружения, подсчета, отслеживания и классификации хлопковых коробочек по степени раскрытия хлопка на изображениях дефолиированных растений. Алгоритм основан на использовании модели YOLOv8 и цветовой сегментации для обнаружения коробочек в алгоритме Лукаса-Канаде. Этот алгоритм проводится с целью отслеживания их перемещения и преобразовании изображений для восстановления их позиции на следующих кадрах. При этом для повышения точности обнаружения используется ансамблевый подход, объединяющий результаты цветовой сегментации, оптического потока и метода преобразования изображения. Эффективность предложенного алгоритма сравнивается с пятью другими алгоритмами обработки изображений из библиотеки OpenCV, и результаты показывают его превосходство по точности и скорости. Эти параметры считается очень важными для сбора урожая и требуют надежного определения степени раскрытия коробочек в реальном времени, чтобы уменьшить задержку между обнаружением и отправкой управляющего сигнала на исполнительный механизм для управления работой гидроцилиндра, установленный на уборочном аппарате. В связи с этим основной целью данного исследования является оперативное и точное обнаружение, подсчет, отслеживание и классификация степени раскрытия хлопковых коробочек.

Files

_11_310_69-79_Abdulhamidov A.pdf

Files (1.2 MB)

Name Size Download all
md5:49dd50303723aca7386f302b678d87cb
1.2 MB Preview Download

Additional details

References

  • Абдулхамидов, А. (2023). Свёрточная нейронная сеть для классификации хлопка по степени раскрытия. Engineering problems and innovations, 1(3), С. 23-34.
  • Абдазимов А., Ульжаев Э., Омонов Н. и Раджабов С. (2014). Применение алгоритмов компьютерного зрения для оценки производительности сборщиков хлопка. Передовой научный журнал. 12 , С. 49-51.
  • Ли Дж., Карки М., Чжан К., Сяо К. и Фэн Т. (2016). Характеристика моделей сбора яблок для роботизированной уборки. Компьютеры и электроника в сельском хозяйстве, 127, С. 633-640.
  • Ван Хентен, Э.Дж., Ван Туйл, Б.В., Хемминг, Дж., Корнет, Дж.Г., Бонцема, Дж., и Ван Ос, Е.А. (2003). Полевые испытания автономного робота для сбора огурцов. Биосистемная инженерия, 86 (3), С. 305-313.
  • Кумар Н., Белхумер П.Н., Бисвас А., Джейкобс Д.В., Кресс В.Дж., Лопес И.К. и Соарес Дж.В. (2012). Leafsnap: система компьютерного зрения для автоматической идентификации видов растений. В журнале Computer Vision –ECCV 2012: 12-я Европейская конференция по компьютерному зрению, Флоренция, Италия, 7–13 октября 2012 г., Материалы, часть II 12 С. 502–516
  • Барре П., Стёвер БК, Мюллер К.Ф. и Штайнхаге В. (2017). LeafNet: система компьютерного зрения для автоматической идентификации видов растений. Экологическая информатика, 40, С. 50-56.
  • Ферентинос, КП (2018). Модели глубокого обучения для обнаружения и диагностики болезней растений. Компьютеры и электроника в сельском хозяйстве, 145, С. 311-318.
  • Фуэнтес А., Юн С., Ким С.С. и Парк Д.С. (2017). Надежный детектор на основе глубокого обучения для распознавания болезней и вредителей томатов в режиме реального времени. Датчики, 17 (9), 2022.
  • Гензе Н., Бхарти Р., Гриб М., Шультайс С.Дж. и Гримм Д.Г. (2020). Точное обнаружение всходов, прогнозирование и оценка качества трех зерновых культур на основе машинного обучения. Растительные методы, 16 (1), С. 1-11.
  • Гулхане, Вирджиния, и Гурджар, А.А. (2011). Обнаружение болезней на листьях хлопчатника и их возможная диагностика. Международный журнал обработки изображений (IJIP), 5 (5), С. 590-598.
  • Лян, X. (2021). Классификация болезней пятнистости листьев хлопка, основанная на метрическом обучении. Растительные методы, 17, С. 1-11.
  • Абдулхамидов А. Оценки производительности свёрточной нейронной сети для классификации хлопка по степени раскрытия. Журнал «Приборы» 2023. № 9. С. 51-55.
  • Цзян Ю., Ли К. и Патерсон А.Х. (2016). Высокопроизводительное фенотипирование высоты растений хлопчатника с использованием изображений глубины в полевых условиях. Компьютеры и электроника в сельском хозяйстве, 130, С. 57-68.
  • Буланон Д.М., Катаока Т., Окамото Х. и Хата С.И. (август 2004 г.). Разработка системы машинного зрения реального времени для робота, собирающего яблоки. На ежегодной конференции SICE 2004 г. Том 1, С. 595–598.
  • Чжао Ю., Гонг Л., Хуан Ю. и Лю К. (2016). Надежное распознавание томатов для роботизированной уборки урожая с использованием слияния изображений. Датчики, 16 (2), С. 173.
  • Хаяси С., Ямамото С., Сайто С., Отиаи Ю., Камата Дж., Курита М. и Ямамото К. (2014). Полевая эксплуатация передвижного робота-сборщика клубники с использованием передвижной платформы. Ежеквартальный журнал сельскохозяйственных исследований Японии: JARQ, 48 (3), С. 307–316.
  • Камилов, М. М., Мирзаев, Н. М., & Раджабов, С. С. (2009). Современное состояние вопросов построения моделей алгоритмов распознавания. Химическая технология. Контроль и управление, 2, С. 67-72.
  • Камилов, М. М., Фазылов, Ш. Х., Мирзаев, Н. М., & Раджабов, С. С. (2020). Модели алгоритмов распознавания, основанных на оценке взаимосвязанности признаков. Ташкент: Фан ва технология.
  • Ровира-Мас Ф., Чжан К., Рид Дж. Ф. и Уилл Дж. Д. (2005). Алгоритм машинного зрения на основе преобразования Хафа для обнаружения рядов сельскохозяйственных культур автоматизированной сельскохозяйственной машины. Труды Института инженеров-механиков, Часть D: Журнал автомобильной техники, 219 (8), С. 999-1010.
  • Рубли Э., Рабо В., Конолиге К. и Брадски Г. (ноябрь 2011 г.). ORB: эффективная альтернатива SIFT или SURF. В 2011 г. Международная конференция по компьютерному зрению С. 2564-2571.
  • Ульжаев Эркин, Абдулхамидов Азизжон, Убайдуллаев Уткиржон Сверточная нейронная сеть для классификации степени открытия хлопковой коробочки // Аль-Фаргоний авлодлари. 2023. №4. URL: https://cyberleninka.ru/article/n/a-convolutional-neural-network-for-classification-cotton-boll-opening-grade (дата обращения: 19.12.2023).
  • Азизжон А. и Эркин У. (сентябрь 2022 г.). Выбор камеры для распознавания хлопка-сырца и анализа его основных параметров. В 2022 году Международная конференция по информационным наукам и коммуникационным технологиям (ICISCT) С. 1-4.
  • Абдулхамидов А., Улжаев Э. Определение степени раскрытности хлопкового сырья с помощью технического зрения. Зарегистрирован в Государственном реестре программных продуктов Республики Узбекистан № DGU 23492, 18.03.2023 – год.
  • Луо Л., Тан Ю., Цзоу Х., Е М., Фэн В. и Ли Г. (2016). Извлечение пространственной информации на основе зрения в гроздьях винограда для роботов-уборщиков. Биосистемная инженерия, 151, С. 90-104.
  • Улжаев Э., Абдулхамидов А. Преобразование видеоизображения в матрицу, оценка и выбор качественных алгоритмов. Журнал «Приборы» 2023. № 6. С. 21-25.
  • Улжаев, Э., Абдазимов, А. Д., Равутов, Ш. Т., & Тулбаев, Ф. А. (2011). Микропроцессорная система контроля и регулирования рабочей щели хлопкоуборочного аппарата. Узбекский журнал «Проблемы информатики и энергетики, (5), С. 48-52.
  • Ульжаев Э., Удабыдуллаев УМ, Абдулхамидов А.А., Эркинов Мастер С.М. (2021). Анализ и выбор методов и датчиков для контроля ширины рабочей щели урожайного устройства cp. Технические науки и инновации, 2021 (3), С. 207-216.
  • Улжаев Э., Убайдуллаев У., Абдулхамидов А. Анализ современного состояния автоматизации контроля и регулирования ширины рабочих щелей уборочного аппарата хлопкоуборочной машины с вертикальным шпинделем. Международной научно-практической конференции «Вызовы науки сегодня». Вашингтон США 4-5 апреля 2021 г. № 48. С. 977-989.
  • Ван М., Вэй Дж., Юань Дж. и Сюй К. (июнь 2008 г.). Исследование интеллектуального робота-сборщика хлопка на основе машинного зрения. В 2008 г. Международная конференция по информатике и автоматизации С. 800-803.
  • Улжаев Э., Абдулхамидов А. Измерение ширины кустов хлопчатника с применением технического зрения и математического обоснования, Научно–технический журнал Ферганского политехнического института, 2023 спец. выпуск №2, стр. 248-251.
  • Бак, К.В., Хемминг, Дж., Ван Туйл, BAJ, Барт, Р., Вайс, Э., и ван Хентен, Э.Дж. (2017). Оценка производительности робота-уборщика сладкого перца. Журнал полевой робототехники, 34 (6), С. 1123–1139.
  • Мирзаев, Н. М., Раджабов, С. С., & Жумаев, Т. С. (2008). О параметризации моделей алгоритмов распознавания, основанных на оценке взаимосвязанности признаков. Проблемы информатики и энергетики, (2-3), С. 23-27.