Determination of weed intensity in wheat production using image processing techniques

Year 2015, Volume: 30 Issue: 2, 110 - 117, 25.07.2015

Onur Ağın Alper Taner

https://doi.org/10.7161/anajas.2015.30.2.110-117

Cited By: 5

Abstract

It is of great importance to precisely and carefully apply the minimum amount of chemicals as needed because agricultural chemicals negatively impact the human health, environment and balance in the nature and increase the production costs. In this study, it was aimed at determining the density of broad leaf weeds and contributing to the reduction of herbicide use in wheat grown fields. For this purpose, Image Processing Techniques were used in this study; and Artificial Neural Networks (ANN) and regression models were developed for determination of weeds. In the ANN model, Weed Covered Areas Acquired by Image Processing Techniques (WCAAIPT) was used as input parameter; and Actual Weed Covered Areas (AWCA) as output parameter. In the study, a total of 262 data consisting of 244 data for training and 18 data for test were used. In the ANN model, the structure of the network was designed in the form of 1-(9-5)-1, consisting of 1 input layer, 2 hidden layers and 1 output layer; and the number of neurons in the hidden layer were determined to be 9-5. Also, tansig was used in the first hidden layer, logsig in the second hidden layer; and purelin transfer functions were used in the output layer. In the ANN and Regression models, R2 value of the ANN model was found to be 99% and the goodness of fit (U2) to be 0.000436; whereas R2 and U2 values of the Regression model were found to be 95% and 0.008431, respectively. It was determined that the results obtained from the ANN model were in agreement with the experimental data. By the developed ANN model, it would be possible to design and manufacture agricultural machinery in order to determine the weed density and reduce the herbicide use.

Keywords

Artificial neural networks, image processing, weeds, winter wheat

Buğday üretiminde yabancı ot yoğunluğunun görüntü işleme teknikleri kullanılarak belirlenmesi

Abstract

Tarımsal ilaçların insan sağlığı, çevre ve doğal dengeyi olumsuz yönde etkilemeleri ve artan üretim maliyetleri nedeniyle hassas, dikkatli, en az ilaç kaybına neden olacak şekilde ve gerektiği kadar uygulanması oldukça önem arz etmektedir. Çalışmada, buğday ekili arazilerde geniş yapraklı yabancı ot yoğunluğunun tespit edilmesi ve herbisit kullanımının azaltılmasına katkıda bulunulması amaçlanmıştır. Bu amaçla araştırmada Görüntü İşleme Teknikleri kullanılmış ve yabancı ot tespitine yönelik olarak Yapay Sinir Ağları (YSA) ve regresyon modelleri geliştirilmiştir. YSA modelinde, Görüntü İşleme Teknikleri ile elde edilen yabancı ot alanları giriş ve gerçek yabancı ot alanları çıkış parametresi olarak değerlendirilmiştir. Çalışmada eğitim için 244 ve test için 18 veri olmak üzere toplam 262 veri kullanılmıştır. Ağın yapısı 1-(9-5)-1 olacak şekilde, 1 giriş katmanı, 2 gizli katman ve 1 çıkış katmanı olarak dizayn edilmiş ve gizli katmanların nöron sayıları 9-5 olarak belirlenmiştir. Ayrıca birinci gizli katmanda tansig, ikinci gizli katmanda logsig, çıkış katmanında ise purelin transfer fonksiyonları kullanılmıştır. YSA ve Regresyon modelleri değerlendirildiğinde, YSA modelinin R2 değeri %99, uyuşma derecesi (U2) 0.000436, Regresyon modelinin ise R2 değeri %95, uyuşma derecesi (U2) 0.008431 olarak bulunmuştur. YSA modeli ile elde edilen sonuçların gerçek veriler ile uyumluluk içinde olduğu tespit edilmiştir. Geliştirilen YSA modeli ile, yabancı ot yoğunluğunun tespit edilmesi ve herbisit kullanımının azaltılmasına yönelik olarak tarım makinaları sanayisinde makine tasarımı ve üretimi mümkün olabilecektir.

Keywords

Yapay sinir ağları, görüntü işleme, yabancı ot , kışlık buğday

References

• Akkaya, G. 2007. Yapay Sinir Ağları ve tarım alanındaki uygulamaları. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 38: 195-202.
• Bağırkan, Ş. 1993. İstatistiksel Analiz. Bilim Teknik Yayınevi, İstanbul.
• Balsari, P., Tamagnone, M. 1998. An ultrasonic airblast sprayer. Abstracts of the International Conference on Agricultural Engineering, Oslo, 98-A-017: 585-586.
• Bechtler, H., Browne, M.W., Bansal, P.K., Kecman, V. 2001. New approach to dynamic modelling of vapour-compression liquid chillers: artificial neural networks. Appl Therm Eng, 21: 941-53.
• Chen, X., Xun, Y., Li, W., Zhang, J. 2010. Combining discriminant analysis and neural networks for corn variety identification. Computers and Electronics in Agriculture 71: 48-53.
• Demirbas, H.Y., Dursun, İ. 2007. Buğday tanelerinin bazı fiziksel özelliklerinin görüntü işleme tekniğiyle belirlenmesi. Ankara Üniversitesi Tarım Bilimleri Dergisi, 13: 176-185.
• Doruchowski, G., Jaeken, P., Hollownicki, R. 1998. Target detection as tool of selective spray selection on trees and weeds in orchards. SPIE Conference on Precision Agriculture and Biological Quality, Boston, USA, Proc. SPIE 3543, 290-301.
• Durmuşoğlu, E., Tiryaki, O., Canhilal, R. 2010. Türkiye'de pestisit kullanımı, kalıntı ve dayanıklılık sorunları. VII. Türkiye Ziraat Mühendisliği Teknik Kongresi, TMMOB Ziraat Mühendisleri Odası Bildiriler Kitabı, Ankara, Türkiye, 11-15 Ocak, 2: 589-607.
• Dursun, E. 2000. Meme aşınmasının pülverizasyon karakteristiklerine etkileri. Ekin Dergisi, 12: 62-66.
• FAO. 2012. Food and Agriculture Organization of the United Nations. FAO Statistics Division, http://www.faostat.org.
• Haykin, S. 1994. Neural Networks. 1. basım, Maxwell-McMillan, Ontario, Canada.
• Husin, Z., Shakaff, A.Y.M., Aziz, A.H.A., Farook, R.S.M., Jaafar, M.N., Hashim, U., Harun, A. 2012. Embedded portable device for herb leaves recognition using imageprocessing techniques and neural network algorithm. Computers and Electronics in Agriculture, 89: 18-29.
• Jacobs, R.A. 1988. Increased rate of convergence through learning rate adaptation. Neural Networks, l: 295-307.
• Jarmulak, J., Spronck, P., Kerckhoffs, E.J.H. 1997. Neural networks in process control: model-based and reinforcement trained controllers. Computers and Electronics in Agriculture, 18: 149-166.
• Kalogirou, S.A. 2001. Artificial neural networks in the renewable energy systems applications: A review. Renewable and Sustainable Energy Reviews, 5: 373-401.
• Levenberg, K. 1944. A method for the solution of certain nonlinear problems in least squares. Quart. Appl. Math, 2: 164-168.
• Marquardt, D.W. 1963. An algorithm for least-squares estimation of nonlinear parameters. J. Soc. Ind. Appl. Math, 11: 431-441.
• Minai, A.A., Williams, R.D. 1990. Accelaration of backpropagation through learning rate and momentum adaptation. International Joint Conference on Neural Networks, Washington, DC, 15-19 Ocak, l, 676-679.
• Öztemel, E. 2003. Yapay Sinir Ağları. 1. Basım, Papatya Yayıncılık, İstanbul.
• Öztürk, S. 1997. Tarım ilaçları. Geliştirilmiş 2. Basım, AK Basımevi, İstanbul.
• Purushothaman, S., Srinivasa, Y.G. 1994. A back-propagation algorithm applied to tool wear monitoring. International Journal of Machine Tools and Manufacture, 34: 625-631.
• Ramaswamy, S. 1993. A summary of integrated pest management activities and their impacts in Bangladesh. FAO-Project, GCP/RAS/145/NET, 9.
• Tiryaki, O., Canhilal, R., Horuz, S. 2010. Tarım ilaçları kullanımı ve riskleri. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 26: 154-169.
• Topal, S. 2011. Allelo kimyasalların herbisit etkileri. Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25: 23-26.
• Turabi, M.S. 2007. Bitki koruma ürünlerinin ruhsatlandırılması. Tarım İlaçları Kongre ve Sergisi Bildirileri, Ankara, 25-26 Ekim, 50-61.
• Xavier, P.B.A., Ribeiro, A., Guijarro, M., Pajares, G. 2011. Real-time image processing for crop/weed discrimination in maize fields. Computers and Electronics in Agriculture, 75: 337-346.
• Yang, C.C., Prasher, S.O., Landry, L.A., Ramaswamy, H.S. 2003. Development of a herbicide application map using artificial neural networks and fuzzy logic. Agricultural Systems, 76: 561-574.
• Zurada, J.M. 1992. Introduction to Artificial Neural Systems. 1. Basım, WestPublishing Company, St. Paul.