Makine Görüsü Kullanarak Tarla Pülverizatöründe Bir Nokta Püskürtme Sisteminin Geliştirilmesi

Öz

Türkiye’de hassas tarım araştırmaları önem kazanmaktadır ancak değişken oranlı uygulama halen emekleme aşamasındadır. Bu araştırmanın amacı, öncelikle yeşil nesnelerin algılanabilmesi için bir makine görme sistemi geliştirilmesi, sonra uygulanan püskürme miktarının azaltılması için nokta püskürtme sistemi geliştirilmesidir. Üç selenoid kullanılarak toplam yedi meme kontrol edilmiştir. Farklı aralıklarla düz bir zemine yerleştirilen yeşil nesnelerin belirlenmesi için traktörün önüne bir kamera yerleştirilmiştir. Püskürtme sırasında doğru uygulama yapabilmek amacıyla basınç kontrollü tarla pülverizatörünün hız kontrollü pülverizatöre dönüştürülmesi için bir kontrolör adapte edilmiştir. Deneyler 4, 5 ve 6 kmh^-1 ilerleme hızlarında yapılmıştır. Kameradan elde edilen görüntüler, her bir selenoid için bir bölge olmak üzere, üç bölgeye ayrılmış ve hangi bölgenin/bölgelerin aynı anda püskürtmelerine karar vermek için Matlab yazılımı ile analiz edilmiştir. Püskürtme memelerinin kontrolü PLC kullanılarak yapılmıştır. Kamera ile memeler arasındaki mesafe ve hız algılayıcısı verileri kullanılarak zaman gecikmesi belirlenmiştir. Zaman gecikmesi 4, 5 ve 6 km h^-1 hızlarda sırasıyla 3808, 3006 ve 2527 ms olarak bulunmuştur. 1.5 m aralıklı nesneler üzerinde yapılan uygulamada püskürtme nesneden 30 cm önce başlayıp 30 cm sonra bitirilmiştir. Değişken oranlı uygulama ile yabancı otları temsil eden yeşil nesnelerin üzerine püskürme işlemi başarılı bir şekilde yapılmış, yeşil nesne bulunmayan bölgeler püskürtme yapılmadan geçilebilmiştir. Laboratuvar ve atölye çalışmaları sonucunda, görüntü işleme ve selenoid kontrol sistemleri başarılı bir şekilde çalıştırılmıştır. 

Anahtar Kelimeler

• Makine görüsü,görüntü işleme,yabancı ot kontrolü

Kaynakça

1. Ahmed, I., Islam, M., Inayat, S., Shah, A., Adnan, A., 2007. A Real-Time Specific Weed Recognition System Using Statistical Methods International Journal of Computer, Electrical, Automation, Control and Information Engineering, 1(10): 2962-2966
2. Bossu, J., Gée, Ch., Jones, G., Truchetet, F., 2009. Wavelet transform to discriminate between crop and weed in perspective agronomic images. Computers and Electronics in Agriculture. 65 (1) : 133–143.
3. Burgos-Artizzu, X. P., Ribeiro, A., Guijarro, M., Pajares, G., 2011. Real-time Image Processing for Crop/weed Discrimination in Maize Fields. Computers and Electronics in Agriculture, 75(2): 337–346
4. Büyük, S., Gök, S., 2012. Proses Otomasyonunda OPC Teknolojisi. Mühendis ve Makina Dergisi, 53 (1) : 13- 15.
5. Cho, S.I., Lee, D.S., Jeong, J.Y., 2002. Weed-plant discrimination by machine vision and artificial neural network. Biosyst. Eng. 83, 275-280.
6. Çilingir, İ., Dursun, E., 2010. Bitki Koruma Makinaları. AÜZF Yayın No: 250
7. Hlaing, S.H., Khaing, A.S., 2014. Weed and Crop Segmentation and Classification Using Area Thresholding. IJRET: International Journal of Research in Engineering and Technology, 3(3):375-380.
8. Hong, Y. J., Lei, F. T., Heping, Z., 2011. Robust Crop and Weed Segmentation under Uncontrolled Outdoor Illumination, Sensors. 11(6) : 6270-83.

9. Kamal, N.A., Karan, S., Ganesh, C.B., Dongqing, L., 2012. Weed Recognition Using Image-Processing Technique Based on Leaf Parameters Journal of Agricultural Science and Technology, ISSN 1939-1250.
10. Liu, H., Saunders, C., Lee, S., 2013. Development of a proximal machine vision system for off-season weed mapping in broadacre no-tillage fallows. J. Comput. Sci. 9 (1) : 1803-1821.
11. Matlab, 2017. MATLAB OPC Toolbox User’s Guide.
12. Mohan, A., Parveen, F., Kumar, S S., Surendran, S., Varughese, T A., Nitha S., 2016. Automatic Weed Detection System And Smart Herbicide Sprayer Robot For Corn Fields. International Journal of Research in Computer and Communication Technology, 5(2): 55-58 Otsu, N., 1979. A Threshold Selection Method From Graylevel Histograms. IEEE Trans. Syst. Man Cybern., 9: 62-66. DOI: 10.1109/TSMC.1979.4310076
13. Romeo, j., Guerrero, J. M., Montalvo, M., Emmi, L., Guijarro M., Santos, P.G.,Pajares, G., 2013. Camera Sensor Arrangement for Crop/Weed Detection Accuracy in Agronomic Images. Sensors, 13(4): 4348-4366
14. TAGEM, 2017. Yabancı Ot Standart Deneme Metotları. Gıda Tarım ve Hayvancılık Bakanlığı, Tarımsal Araştırmalar ve Politikalar Genel Müdürlüğü, Bitki Sağlığı Araştırmaları Daire Başkanlığı.
15. Tang, J., Geng, N., Zhang, Z., Zhu, Z., 2013. A Vision-Based Method of Wheat Row Detection for Agricultural Robot. International Journal of Digital Content Technology and its Applications. 7 (5): 129-137
16. Tekinalp, Z., Öztürk, S., Kuncan, M., 2013. OPC Kullanılarak Gerçek Zamanlı Haberleşen Matlab ve PLC Kontrollü Sistem. Otomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül, Malatya
17. Tian, L., Slaughter, D.C., Norris, R.F., 1997. Outdoor Field Machine Vision Identification of Tomato Seedlings for Automated Weed Control. Trans. ASABE, 40: 1761-1768.
18. Tian L., Reid JF., Hummel JW. 2000. Development of a precision sprayer for sitespecific weed management. Transaction of the ASAE, 42(4), 893-900.
19. Woebbecke, D.M., Meyer, G.E., VonBargen, K., Mortensen, D.A., 1995. Color Indices for Weed Identification Under Various Soil, Residue, and Lighting Conditions. Trans. ASABE, 38: 259-269.