Розробка системи виявлення бур'янів із застосуванням алгоритмів машинного навчання та нейронних мереж

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2021.246706

Ключові слова:

сільське господарство, бур'яни, машинне навчання, YOLOv5, сегментація, метод Оцу, класифікація, оцінка алгоритму

Анотація

Виявлення бур'янів на етапах вирощування має важливе значення для виявлення та профілактики хвороб рослин і усунення значних втрат врожаю.  Традиційні методи здійснення цього процесу, окрім впливу на робітників шкідливих хімічних речовин, вимагають великих витрат і людських ресурсів. Для вирішення вищевказаних задач, а також з метою економії гербіцидів і пестицидів, отримання екологічно чистої продукції, запропоновано програму виявлення сільськогосподарських шкідників з використанням класичних алгоритмів k-найближчих сусідів, випадкового лісу і дерева рішень, а також нейронної мережі YOLOv5. Після аналізу географічних районів країни із зображень зібраних бур'янів була сформована власна база даних з більш ніж 1000 зображень для кожного класу. Наводиться короткий огляд наукових робіт дослідників, що описують розроблені ними методи виявлення, класифікації та розпізнавання бур'янів на основі алгоритмів машинного навчання, згорткових нейронних мереж і алгоритмів глибокого навчання. В результаті проведених досліджень була розроблена система виявлення бур'янів на основі архітектури YOLOv5 і отримані оцінки якості вищевказаних алгоритмів. За результатами оцінки точність виявлення бур'янів класифікаторами k-найближчих сусідів, випадкового лісу і дерева рішень склала 83,3 %, 87,5 % і 80 %. У зв'язку з тим, що зображення бур'янів кожного виду відрізняються за роздільною здатністю і рівнем освітленості, результати роботи нейромережі мають відповідні показники в межах 0,82–0,92 для кожного класу. Кількісні показники, отримані на основі реальних даних, показують, що запропонований підхід може забезпечити хороші результати при класифікації зображень бур'янів з низькою роздільною здатністю. 

Спонсор дослідження

  • This work was supported by a grant from the Ministry of Education and Science of the Republic of Kazakhstan within the framework of project No. AP08857573

Біографії авторів

Baydaulet Urmashev, Al-Farabi Kazakh National University

Professor

Department of Computer Science

Zholdas Buribayev, Al-Farabi Kazakh National University

Master

Department of Computer Science

Zhazira Amirgaliyeva, Institute of Information and Computational Technologies

Doctor of Technical Sciences, Professor

Laboratory of Artificial Intelligence and Robotics

Aisulu Ataniyazova, Al-Farabi Kazakh National University

Masters Student

Department of Computer Science

Mukhtar Zhassuzak, Al-Farabi Kazakh National University

PhD Student

Department of Computer Science

Amir Turegali, Al-Farabi Kazakh National University

Bachelor Student

Department of Computer Science

Посилання

  1. Fawakherji, M., Youssef, A., Bloisi, D., Pretto, A., Nardi, D. (2019). Crop and Weeds Classification for Precision Agriculture Using Context-Independent Pixel-Wise Segmentation. 2019 Third IEEE International Conference on Robotic Computing (IRC). doi: https://doi.org/10.1109/irc.2019.00029
  2. Zhang, S., Huang, W., Wang, Z. (2021). Combing modified Grabcut, K-means clustering and sparse representation classification for weed recognition in wheat field. Neurocomputing, 452, 665–674. doi: https://doi.org/10.1016/j.neucom.2020.06.140
  3. Potena, C., Nardi, D., Pretto, A. (2017). Fast and Accurate Crop and Weed Identification with Summarized Train Sets for Precision Agriculture. Advances in Intelligent Systems and Computing, 105–121. doi: https://doi.org/10.1007/978-3-319-48036-7_9
  4. Di Cicco, M., Potena, C., Grisetti, G., Pretto, A. (2017). Automatic model based dataset generation for fast and accurate crop and weeds detection. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). doi: https://doi.org/10.1109/iros.2017.8206408
  5. Lavania, S., Matey, P. S. (2015). Novel Method for Weed Classification in Maize Field Using Otsu and PCA Implementation. 2015 IEEE International Conference on Computational Intelligence & Communication Technology. doi: https://doi.org/10.1109/cict.2015.71
  6. Wu, Z., Chen, Y., Zhao, B., Kang, X., Ding, Y. (2021). Review of Weed Detection Methods Based on Computer Vision. Sensors, 21 (11), 3647. doi: https://doi.org/10.3390/s21113647
  7. Selvi, C. T., Sankara Subramanian, R. S., Ramachandran, R. (2021). Weed Detection in Agricultural fields using Deep Learning Process. 2021 7th International Conference on Advanced Computing and Communication Systems (ICACCS). doi: https://doi.org/10.1109/icaccs51430.2021.9441683
  8. Boyina, L., Sandhya, G., Vasavi, S., Koneru, L., Koushik, V. (2021). Weed Detection in Broad Leaves using Invariant U-Net Model. 2021 International Conference on Communication, Control and Information Sciences (ICCISc). doi: https://doi.org/10.1109/iccisc52257.2021.9485001
  9. Tang, J., Wang, D., Zhang, Z., He, L., Xin, J., Xu, Y. (2017). Weed identification based on K-means feature learning combined with convolutional neural network. Computers and Electronics in Agriculture, 135, 63–70. doi: https://doi.org/10.1016/j.compag.2017.01.001
  10. Luo, T., Zhao, J., Gu, Y., Zhang, S., Qiao, X., Tian, W., Han, Y. (2021). Classification of weed seeds based on visual images and deep learning. Information Processing in Agriculture. doi: https://doi.org/10.1016/j.inpa.2021.10.002
  11. Jiang, H., Zhang, C., Zhang, Z., Mao, W., Wang, D., Wang, D. (2020). Detection Method of Corn Weed Based on Mask R-CNN. Nongye Jixie Xuebao/Transactions of the Chinese Society for Agricultural Machinery, 51 (6), 220–228. doi: https://doi.org/10.6041/j.issn.1000-1298.2020.06.023
  12. Dos Santos Ferreira, A., Matte Freitas, D., Gonçalves da Silva, G., Pistori, H., Theophilo Folhes, M. (2017). Weed detection in soybean crops using ConvNets. Computers and Electronics in Agriculture, 143, 314–324. doi: https://doi.org/10.1016/j.compag.2017.10.027
  13. Wang, A., Zhang, W., Wei, X. (2019). A review on weed detection using ground-based machine vision and image processing techniques. Computers and Electronics in Agriculture, 158, 226–240. doi: https://doi.org/10.1016/j.compag.2019.02.005
  14. Ma, X., Deng, X., Qi, L., Jiang, Y., Li, H., Wang, Y., Xing, X. (2019). Fully convolutional network for rice seedling and weed image segmentation at the seedling stage in paddy fields. PLOS ONE, 14 (4), e0215676. doi: https://doi.org/10.1371/journal.pone.0215676
  15. Asad, M. H., Bais, A. (2020). Weed detection in canola fields using maximum likelihood classification and deep convolutional neural network. Information Processing in Agriculture, 7 (4), 535–545. doi: https://doi.org/10.1016/j.inpa.2019.12.002
  16. Bosilj, P., Duckett, T., Cielniak, G. (2018). Analysis of Morphology-Based Features for Classification of Crop and Weeds in Precision Agriculture. IEEE Robotics and Automation Letters, 3 (4), 2950–2956. doi: https://doi.org/10.1109/lra.2018.2848305
  17. Sarvini, T., Sneha, T., Sukanya Gowthami, G. S., Sushmitha, S., Kumaraswamy, R. (2019). Performance Comparison of Weed Detection Algorithms. 2019 International Conference on Communication and Signal Processing (ICCSP). doi: https://doi.org/10.1109/iccsp.2019.8698094
  18. Xiao, L., Ouyang, H., Fan, C., Umer, T., Poonia, R. C., Wan, S. (2020). Gesture image segmentation with Otsu’s method based on noise adaptive angle threshold. Multimedia Tools and Applications, 79 (47-48), 35619–35640. doi: https://doi.org/10.1007/s11042-019-08544-7
  19. Belgiu, M., Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. doi: https://doi.org/10.1016/j.isprsjprs.2016.01.011
  20. Starovoitov, V. V., Golub, Y. I. (2020). Comparative study of quality estimation of binary classification. Informatics, 17 (1), 87–101. doi: https://doi.org/10.37661/1816-0301-2020-17-1-87-101
  21. Thuan, D. (2021). Evolution of YOLO algorithm and YOLOv5: The state-of-the-art object detection algorithm. Information Technology Oulu University of Applied Sciences, 61. Available at: https://www.theseus.fi/bitstream/handle/10024/452552/Do_Thuan.pdf?isAllowed=y&sequence=2
  22. Xu, R., Lin, H., Lu, K., Cao, L., Liu, Y. (2021). A Forest Fire Detection System Based on Ensemble Learning. Forests, 12 (2), 217. doi: https://doi.org/10.3390/f12020217
  23. Wang, Q., Wu, B., Zhu, P., Li, P., Zuo, W., Hu, Q. (2020). ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). doi: https://doi.org/10.1109/cvpr42600.2020.01155
  24. Osorio, K., Puerto, A., Pedraza, C., Jamaica, D., Rodríguez, L. (2020). A Deep Learning Approach for Weed Detection in Lettuce Crops Using Multispectral Images. AgriEngineering, 2 (3), 471–488. doi: https://doi.org/10.3390/agriengineering2030032
  25. Ahmad, T., Ma, Y., Yahya, M., Ahmad, B., Nazir, S., Haq, A. ul. (2020). Object Detection through Modified YOLO Neural Network. Scientific Programming, 2020, 1–10. doi: https://doi.org/10.1155/2020/8403262
  26. Yeshmukhametov, A. N., Koganezawa, K., Buribayev, Z., Amirgaliyev, Y., Yamamoto, Y. (2020). Study on multi-section continuum robot wire-tension feedback control and load manipulability. Industrial Robot: The International Journal of Robotics Research and Application, 47 (6), 837–845. doi: https://doi.org/10.1108/ir-03-2020-0054
  27. Yeshmukhametov, A., Khaleel, L. A., Koganezawa, K., Yamamoto, Y., Amirgaliyev, Y., Buribayev, Z. (2020). Designing of CNC Based Agricultural Robot with a Novel Tomato Harvesting Continuum Manipulator Tool. International Journal of Mechanical Engineering and Robotics Research, 9 (6), 876–881. doi: https://doi.org/10.18178/ijmerr.9.6.876-881

##submission.downloads##

Опубліковано

2021-12-29

Як цитувати

Urmashev, B., Buribayev, Z., Amirgaliyeva, Z., Ataniyazova, A., Zhassuzak, M., & Turegali, A. (2021). Розробка системи виявлення бур’янів із застосуванням алгоритмів машинного навчання та нейронних мереж. Eastern-European Journal of Enterprise Technologies, 6(2 (114), 70–85. https://doi.org/10.15587/1729-4061.2021.246706

Номер

Том 6 № 2 (114) (2021): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2021 Baydaulet Urmashev, Zholdas Buribayev, Zhazira Amirgaliyeva, Aisulu Ataniyazova, Mukhtar Zhassuzak, Amir Turegali

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.