Yıl 2014,
, 406 - 414, 16.10.2014
Kadir Sabancı
,
Cevat Aydın
Öz
Hoeing as mechanically and the use of herbicide as chemically are the most effective methods in controlling weed in sugar beet farming. Excessive use of chemical tussle results in serious environmental problems in the world. In addition, it affects human and animal health adversely. The weeds between rows in sugar beet fields were determined by using image processing techniques and a model of variable level herbicide application was applied on them with precision spraying robot developed during the study. When the nozzle height of precision spraying robot is 30 cm and the speed of it is 8.928 cm s, a value of 55.22% saving of drugs was achieved when compared to conventional pesticide applications in a pesticide application on an area of 1.6 m. The amount of spraying liquid applied on weeds by precision spraying robot with 8 different speeds was measured. It was found that increasing the speed of the spraying robot causes a decrease in the amount of spraying liquid applied on weeds.
Kaynakça
- Dalen G V (2004). Determination of the size distribution and percentage of broken kernels of rice using flatbed scanning and image analysis. Food Research International 37(1): 51-58
- Delen N (2008). Fungisitler. Nobel Yayın Dağıtım. Nobel Yayın No: 1360, Ankara
- Dursun E (2000). Meme aşınmasının pülverizasyon karakteristiklerine etkileri. Ekin Dergisi 6( 21): 62-66 Feyaerts F, Pollet P, Wambacq P & Van Gool L (1998). Sensor for weed detection based on spectral measurements. In: Proceedings of the 4th International Conference on Precision Agriculture, 19-22 July, Madison, WI, USA, Part B: 1537-1548
- Habib S, Islamb M, Adnan A & Nawaz S (2007). Real time machine vision weeds-classification for selective herbicide application, In: The 2nd National Intelligent Systems And Information Technology Symposium, 3031 October, Malaysia pp. 142-146
- Ihsak W & Rahman K A (2010). Software development for real-time weed colour analysis. Pertanika Journal of Science & Technology 18(2): 243-253
- Jafari A, Mohtasebi S S, Eghbali H & Omid M (2006). Weed detection in sugar beet field using machine vision. International Journal of Agriculture & Biology 8(5): 602–605
- Jayas D & Karunakaran C (2005). Machine vision system in postharvest tecnology. Stewart Postharvest Rewiev 2(2): 1-9
- Keefe P D (1992). A Dedicated wheat grain image analyzer. Plant Varieties and Seeds 5(2): 27-33
- Koç C & Keskin R (2011). Tarla pülverizatörleri için pic kontrollü aktif bir bum dengeleme sisteminin geliştirilmesi. Tarım Bilimleri Dergisi 17(1): 24-34
- Malaslı Z M (2010). Şekerpancarı üretim alanlarında yabancı otla mücadele yöntemleri ve uygulama etkinliklerinin belirlenmesi. Yüksek lisans tezi, Harran Üniversitesi, Fen Bilimleri Enstitüsü (Basılmamış), Şanlıurfa
- Mortensen D A, Gerhards R & Williams M M (2000). Two-year weed seedling population responses to a post-emergent method of site-specific weed management. Precision Agriculture 2(3): 247-263
- Özer Z, Kadıoğlu İ, Önen H & Tursun N (2001). Herboloji (Yabancı Ot Bilimi). GOÜ. Ziraat Fakültesi Yayınları No:20, Kitaplar Serisi No:10, Tokat
- Öztürk S (1997). Tarım ilaçları, Geliştirilmiş 2. baskı. AK Basımevi, s. 551, İstanbul
- Pérez A J, Lopez F, Benlloch J V & Christensen S (2000). Colour and shape analysis techniques for weed detection in cereal fields. Computers and Electronics in Agriculture 25(3): 197-212
- Ramaraju S S V S & Kumar N U (2014). Saliency detection algorithm for locating perceptible objects. International Journal of Electronics & Communication Technology 5(3): 97-100
- Sabancı K (2013). Şeker pancarı tarımında yabancı ot mücadelesi için değişken düzeyli herbisit uygulama parametrelerinin yapay sinir ağlarıyla belirlenmesi. Doktora tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü (Basılmamış), Konya
- Sabancı K & Aydın C (2013). Real-Time Precise Spraying Robot For Weed Control. International Conference of Ecosystems (ICE),1-5 June, Tirana, Albania, pp. 356359
- Tiryaki O, Canhilal R & Horuz S (2010). Tarım ilaçları kullanımı ve riskleri. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi 26(2): 154-169
- Trooien T P & Heermann D F (1992). Measurement and simulation of potato leaf area using image processing. Model development. Transactions of the ASAE 35(5): 1709-1712
- Yılmaz G (2002). Renk Sistemleri, Renk Uzayları ve Dönüşümler. Selçuk Üniversitesi Jeodezi ve Fotogrametri Mühendisliği Öğretiminde 30. Yıl Sempozyumu, 16-18 Ekim, Konya, s. 340-350
- Watchareeruetai U, Takeuchi Y, Matsumoto T, Kudo H & Ohnishi N (2006). Computer vision based methods for detecting weeds in lawns: Cybernetics and Intelligent Systems, IEEE Conference, 7-9 June, Bangkok, pp. 1-6
Görüntü İşleme Tabanlı Hassas İlaçlama Robotu
Yıl 2014,
, 406 - 414, 16.10.2014
Kadir Sabancı
,
Cevat Aydın
Öz
Şeker pancarı tarımında yabancı otlarla mücadelede en etkin yöntem, mekanik olarak çapalama yöntemi ve kimyasal olarak herbisit ilaç kullanımıdır. Kimyasal mücadelenin aşırı kullanımı dünyada ciddi çevre sorunları oluşturmaktadır. Bunun yanında insan ve hayvan sağlığını olumsuz yönde etkilemektedir. Çalışmada geliştirilen hassas ilaçlama robotu ile şeker pancarı tarımında, sıra arasında bulunan yabancı otlar görüntü işleme teknikleri kullanılarak tespit edilmiş ve yabancı ot üzerine değişken düzeyli herbisit uygulama modeli gerçekleştirilmiştir. Hassas ilaçlama robotunun meme yüksekliği 30 cm ve hızı 8.928 cm s-1 iken 1.6 m2’lik bir alanda yapılan ilaçlama uygulamasında, geleneksel ilaçlamauygulamasına göre % 55.22 değerinde bir ilaçlama tasarrufu elde edilmiştir. Hassas ilaçlama robotunun 8 farklı hız değerinde yabancı otlar üzerine uygulanan ilaçlama sıvısı miktarları ölçülmüştür. İlaçlama robotunun hızının artırılması, yabancı otlar üzerine uygulanan ilaçlama sıvısı miktarında bir azalmaya neden olduğu görülmüştür.
Kaynakça
- Dalen G V (2004). Determination of the size distribution and percentage of broken kernels of rice using flatbed scanning and image analysis. Food Research International 37(1): 51-58
- Delen N (2008). Fungisitler. Nobel Yayın Dağıtım. Nobel Yayın No: 1360, Ankara
- Dursun E (2000). Meme aşınmasının pülverizasyon karakteristiklerine etkileri. Ekin Dergisi 6( 21): 62-66 Feyaerts F, Pollet P, Wambacq P & Van Gool L (1998). Sensor for weed detection based on spectral measurements. In: Proceedings of the 4th International Conference on Precision Agriculture, 19-22 July, Madison, WI, USA, Part B: 1537-1548
- Habib S, Islamb M, Adnan A & Nawaz S (2007). Real time machine vision weeds-classification for selective herbicide application, In: The 2nd National Intelligent Systems And Information Technology Symposium, 3031 October, Malaysia pp. 142-146
- Ihsak W & Rahman K A (2010). Software development for real-time weed colour analysis. Pertanika Journal of Science & Technology 18(2): 243-253
- Jafari A, Mohtasebi S S, Eghbali H & Omid M (2006). Weed detection in sugar beet field using machine vision. International Journal of Agriculture & Biology 8(5): 602–605
- Jayas D & Karunakaran C (2005). Machine vision system in postharvest tecnology. Stewart Postharvest Rewiev 2(2): 1-9
- Keefe P D (1992). A Dedicated wheat grain image analyzer. Plant Varieties and Seeds 5(2): 27-33
- Koç C & Keskin R (2011). Tarla pülverizatörleri için pic kontrollü aktif bir bum dengeleme sisteminin geliştirilmesi. Tarım Bilimleri Dergisi 17(1): 24-34
- Malaslı Z M (2010). Şekerpancarı üretim alanlarında yabancı otla mücadele yöntemleri ve uygulama etkinliklerinin belirlenmesi. Yüksek lisans tezi, Harran Üniversitesi, Fen Bilimleri Enstitüsü (Basılmamış), Şanlıurfa
- Mortensen D A, Gerhards R & Williams M M (2000). Two-year weed seedling population responses to a post-emergent method of site-specific weed management. Precision Agriculture 2(3): 247-263
- Özer Z, Kadıoğlu İ, Önen H & Tursun N (2001). Herboloji (Yabancı Ot Bilimi). GOÜ. Ziraat Fakültesi Yayınları No:20, Kitaplar Serisi No:10, Tokat
- Öztürk S (1997). Tarım ilaçları, Geliştirilmiş 2. baskı. AK Basımevi, s. 551, İstanbul
- Pérez A J, Lopez F, Benlloch J V & Christensen S (2000). Colour and shape analysis techniques for weed detection in cereal fields. Computers and Electronics in Agriculture 25(3): 197-212
- Ramaraju S S V S & Kumar N U (2014). Saliency detection algorithm for locating perceptible objects. International Journal of Electronics & Communication Technology 5(3): 97-100
- Sabancı K (2013). Şeker pancarı tarımında yabancı ot mücadelesi için değişken düzeyli herbisit uygulama parametrelerinin yapay sinir ağlarıyla belirlenmesi. Doktora tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü (Basılmamış), Konya
- Sabancı K & Aydın C (2013). Real-Time Precise Spraying Robot For Weed Control. International Conference of Ecosystems (ICE),1-5 June, Tirana, Albania, pp. 356359
- Tiryaki O, Canhilal R & Horuz S (2010). Tarım ilaçları kullanımı ve riskleri. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi 26(2): 154-169
- Trooien T P & Heermann D F (1992). Measurement and simulation of potato leaf area using image processing. Model development. Transactions of the ASAE 35(5): 1709-1712
- Yılmaz G (2002). Renk Sistemleri, Renk Uzayları ve Dönüşümler. Selçuk Üniversitesi Jeodezi ve Fotogrametri Mühendisliği Öğretiminde 30. Yıl Sempozyumu, 16-18 Ekim, Konya, s. 340-350
- Watchareeruetai U, Takeuchi Y, Matsumoto T, Kudo H & Ohnishi N (2006). Computer vision based methods for detecting weeds in lawns: Cybernetics and Intelligent Systems, IEEE Conference, 7-9 June, Bangkok, pp. 1-6