Εφαρμογές της επεξεργασίας εικόνας στην Γεωπονία: Μια έρευνα

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση

Πρωτότυπος τίτλος "Applications of Image Processing in Agriculture: A Survey"

Συγγραφείς: Anup Vibhute, S K Bodhe

Πηγή: [1]

ΕΙΣΑΓΩΓΗ

Οι αναδυόμενες τεχνολογίες και ιδιαίτερα αυτή της γεωργίας ακριβείας, διαδραματίζουν πρωτεύοντα ρόλο στην προώθηση βιώσιμων γεωργικών πρακτικών. Η γεωργία ακριβείας ενσωματώνει προηγμένες τεχνικές για τη βελτίωση της παραγωγικότητας των αγροκτημάτων και της περιβαλλοντικής προστασίας ελαχιστοποιώντας τα λάθη και το κόστος. Αντιμετωπίζει κρίσιμους παράγοντες όπως η άρδευση, τα λιπάσματα, τα φυτοφάρμακα και η ποιότητα της απόδοσης, τα οποία, εάν δεν ελεγχθούν, μπορούν να επηρεάσουν αρνητικά την παραγωγή των καλλιεργειών. Η τηλεπισκόπηση και οι τεχνικές επεξεργασίας εικόνας αποτελούν σημαντικά εργαλεία για την ακριβή και οικονομική ανάλυση των αγρονομικών παραμέτρων.

ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ

1.1 ΕΦΑΡΜΟΓΕΣ ΒΑΣΙΣΜΕΝΕΣ ΣΕ ΤΕΧΝΙΚΕΣ ΑΠΕΙΚΌΝΙΣΗΣ

Διάφορα κανάλια απεικόνισης χρησιμοποιήθηκαν όπως ακτίνες Γ, ακτίνες Χ, UV, ορατό φως, υπέρυθρες απεικονίσεις , μικροκύματα και ραδιοκύματα. Οι εφαρμογές της Τηλεπισκόπησης (RS) στη γεωργία περιλαμβάνουν την παρατήρηση της γεωργικής έκτασης, την παραγωγικότητα και την πυκνότητα καλλιεργειών. Τα δεδομένα RS βοηθούν σε πληροφορίες που σχετίζονται με τα υπόγεια ύδατα για την άρδευση, τη διαχείριση των πλημμυρών και άλλες εφαρμογές, όπως η περιβαλλοντική αξιολόγηση, η παρακολούθηση καταστροφών, η ανάλυση του κλίματος του καιρού και η διαθεσιμότητα πόρων. Τα δεδομένα RS και οι τεχνικές αναγνώρισης χρησιμοποιούνται για την εκτίμηση των καλλιεργήσιμων εκτάσεων. Εξετάζονται διάφορες τεχνικές για την απογραφή των καλλιεργειών, με χρήση οπτικών δεδομένων και δεδομένων μικροκυμάτων. Η διαδικασία διάκρισης των καλλιεργειών περιλαμβάνει οπτικές και ψηφιακές τεχνικές ερμηνείας όπως οι spectral unmixing, confusion matrix και regression estimator. Η τηλεπισκόπηση επίσης χρησιμοποιείται στη χαρτογράφηση της βλάστησης, παρέχοντας πληροφορίες τόσο για το ανθρωπογενές όσο και για το φυσικό περιβάλλον. Οι δορυφορικές πλατφόρμες που χρησιμοποιήθηκαν οι :LANDSAT, TM, SPOI, MODIS, ASTER. Η εξαγωγή της βλάστησης περιλαμβάνει προεπεξεργασία εικόνας, συμπεριλαμβανομένων των διορθώσεων (ραδιομετρικές, γεωμετρικές και αφαίρεση σύννεφων) και στη συνέχεια αναθεωρούνται τεχνικές ταξινόμησης εικόνων όπως το K-mean για τις μη επιβλεπόμενες μεθόδους και το MLC για τις επιβλεπόμενες μεθόδους. Γίνεται επίσης χρήση προηγμένων τεχνικών όπως ο ταξινομητής φασματικής γωνίας (SAC), τα τεχνητά νευρωνικά δίκτυα (ANN), fuzzy logic και SVM-BEE. Επίσης, το άρθρο αναφέρεται στην προτίμηση για υπερφασματικές εικόνες για την περίπτωση της χαρτογράφησης της βλάστησης λόγω της ικανότητάς του να διακρίνει πολύπλοκες κοινότητες μικτών εικονοστοιχείων . Η τεχνική image fusion επισημαίνεται ως μια τεχνική για την ενίσχυση της ταξινόμησης της βλάστησης αντισταθμίζοντας τους περιορισμούς των αισθητήρων. Στον κλάδο της άρδευσης η θερμική απεικόνιση βρίσκει εφαρμογές στη γεωργία, όπως φυτώρια, προγραμματισμό άρδευσης και εργασίες μετά τη συγκομιδή. Ωστόσο, η μεταβλητότητα στη φυσιολογία των φυτών και στις κλιματικές συνθήκες περιορίζει την καθολική αποδοχή. Αντίθετα οι ακτίνες Χ είναι αρκετά αποτελεσματικές για τον ποιοτικό έλεγχο σε διάφορα προϊόντα διατροφής.

1.2 ΕΦΑΡΜΟΓΕΣ ΣΤΗΝ ΑΝΑΓΝΩΡΙΣΗ ΖΙΖΑΝΙΩΝ

Διάφοροι μέθοδοι τηλεπισκόπησης και επεξεργασίας εικόνας έχουν αναπτυχθεί για την καταπολέμηση των ζιζανίων. Χρησιμοποιούνται αλγόριθμοι όπως edge detection, ανίχνευση χρώματος και ταξινόμηση με βάση κυμματίδια και fuzzy logic . Ένα σύστημα αναγνώρισης ζιζανίων σε πραγματικό χρόνο χρησιμοποιεί τη μηχανική όραση με έναν ταξινομητή με edge detection για τον εντοπισμό πλατύφυλλων και στενόφυλλων ζιζανίων. Οι εικόνες RGB μετατρέπονται σε κλίμακα του γκρι και επεξεργάζονται ως δυαδικές εικόνες, εντοπίζοντας φωτεινά pixel σε σκούρο φόντο ως ζιζάνια. Ωστόσο, σημειώνεται ένας περιορισμός καθώς αυτό το μοντέλο δεν ταξινομεί μικτά ζιζάνια. Μια άλλη μέθοδος χρησιμοποιεί την ανίχνευση χρώματος. Με τη χρήση του EGRIBI matrix διαχωρίζονται πληροφορίες έντασης ενώ, η ομαδοποίηση K-means και ο ταξινομητής Bayes μετρούν την Ευκλείδεια απόσταση για την ταξινόμηση εικονοστοιχείων. Η ταξινόμηση βάσει νευρωνικών δικτύων αποδεικνύεται ανώτερη από την προσέγγιση του πίνακα αναζήτησης K-means, αλλά η τελευταία είναι ταχύτερη. Οι στατιστικές μέθοδοι που περιλαμβάνουν τη μέση και τυπική απόκλιση χρησιμοποιούνται για την κατηγοριοποίηση των ζιζανίων σε μικρά, στενόφυλλα και πλατύφυλλα. Ωστόσο, αυτή η μέθοδος αντιμετωπίζει περιορισμούς στην ταξινόμηση των μικτών ζιζανίων και το ποσοστό επιτυχίας της είναι χαμηλότερο σε σύγκριση με τις μεθόδους που βασίζονται στο χρώμα. Το απόσπασμα συζητά επίσης τεχνικές εξαγωγής χαρακτηριστικών με χρήση επεξεργασίας έγχρωμης εικόνας για ανίχνευση ζιζανίων, χρησιμοποιώντας FFT και GLCM. Ένα φίλτρο Excess Color (Ex-C) εφαρμόζεται για την αφαίρεση του κόκκινου και του μπλε, αφήνοντας το πράσινο ως τιμή έντασης. Το GLCM και το FFT χρησιμεύουν ως εργαλεία εξαγωγής χαρακτηριστικών, με την προσέγγιση Ex-Color να αποδεικνύεται ανώτερη από την κλίμακα του γκρι για την ταξινόμηση των ζιζανίων. Άλλες μεθοδολογίες περιλαμβάνουν γενετικούς αλγόριθμους για την αναγνώριση ζιζανίων, συστήματα συλλογιστικής των περιπτώσεων, αλγόριθμους fuzzy για ακριβή εφαρμογή ζιζανιοκτόνου και την εφαρμογή τεχνητών νευρωνικών δικτύων (ΑΝΝ) για αποτελεσματική ταξινόμηση καλλιεργειών και ζιζανίων. Τέλος, τεχνικές που χρησιμοποιούν δείκτες φωτεινότητας RGB, erosion and dilation segmentation και ανάλυση κυρίων συνιστωσών(PCA) για ανίχνευση και ταξινόμηση ειδών.

1.3 ΕΦΑΡΜΟΓΕΣ ΣΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΦΡΟΥΤΩΝ ΚΑΙ ΤΡΟΦΙΜΩΝ

Η ανάγκη για ακριβή ταξινόμηση και ταξινόμηση των γεωργικών προϊόντων ώστε να ανταποκρίνονται στις όλο και αυξανόμενες προσδοκίες για ποιότητα και ασφάλεια είναι μεγάλη. Οι υπολογιστική όραση και οι τεχνικές επεξεργασίας εικόνας είναι μη καταστροφικές, ακριβείς και αξιόπιστες. Οι ερευνητές διερευνούν διάφορες μεθόδους επεξεργασίας εικόνας για την ταξινόμηση προϊόντων αρτοποιίας, φρούτων, λαχανικών και δημητριακών, ενσωματώνοντας τεχνικές όπως image segmentation, ανάλυση σχήματος, μορφολογία, ανάλυση υφής και αναγνώριση μοτίβων. Επιπλέον, μεθοδολογίες όπως η PCA για την ανίχνευση δερματικών ελαττωμάτων στα εσπεριδοειδή, η ομαδοποίηση K-mean για ταξινόμηση φράουλας και η συγχώνευση χαρακτηριστικών και ταξινομητών για την ταξινόμηση φρούτων και λαχανικών είχαν ενθαρρυντικά αποτελέσματα . Μορφολογικές διεργασίες και μετασχηματισμός Fourier χρησιμοποιούνται για επιθεώρηση και ταξινόμηση σε πραγματικό χρόνο των επεξεργασμένων τμημάτων μανταρινιού, παρέχοντας ακριβή αποτελέσματα. Όμοια αποτελέσματα είχε και η αξιολόγηση της ποιότητας ντομάτας με βάση το χρώμα, το σχήμα, το μέγεθος και τη σφριγηλότητα, επιβεβαιώνοντας την αποτελεσματικότητά των τεχνικών ανάλυσης εικόνας. Σε μια άλλη περίπτωση, ένα οικονομικό μοντέλο για τη διαλογή κόκκινου και λευκού σίτου χρησιμοποίησε ανάλυση εικόνας με φιλτράρισμα Bayer. Το σύστημα πέτυχε υψηλή ακρίβεια ταξινόμησης 97%, υπερτερώντας των εμπορικών διαλογέων χρωμάτων. Μια άλλη εφαρμογή, η οποία περιελάβανε τρεις αισθητήρες CMOS και έναν προγραμματισμούς FPGA, έδειξε αυξημένη ταχύτητα για την ταξινόμηση των κόκκων, επιτυγχάνοντας ποσοστό ακρίβειας 91% στις περιπτώσεις σίτου και καλαμποκιού. Η ταξινόμηση σπόρων σκληρού σιταριού σε υαλώδεις και μη προτάθηκε χρησιμοποιώντας συστήματα απεικόνισης που βασίζονται σε ακτίνες Χ σε πραγματικό χρόνο ή σε εκπεμπόμενο φως. Διαφορετικά χαρακτηριστικά που εξήχθησαν από εικόνες ακτίνων Χ και εκπεμπόμενου φωτός ταξινομήθηκαν χρησιμοποιώντας στατιστικούς ταξινομητές, επιδεικνύοντας υψηλότερη ακρίβεια για μη υαλώδεις πυρήνες και εικόνες μεταδιδόμενου φωτός. Για την αναγνώριση της ποικιλίας καλαμποκιού, εφαρμόστηκε μια μέθοδος που περιελάβανε διακριτική ανάλυση και νευρωνικά δίκτυα. Οι εικόνες που καταγράφηκαν με επίπεδο σαρωτή υποβλήθηκαν σε ανάλυση μορφολογικών χαρακτηριστικών και εξαγωγή χρωματικών χαρακτηριστικών, επιτυγχάνοντας μέσο ποσοστό ακρίβειας 90% για την αναγνώριση της ποικιλίας. Σε μια άλλη εφαρμογή, μονόχρωμες εικόνες που τραβήχτηκαν κάτω από διαφορετικούς φωτισμούς χρησιμοποιήθηκαν για την ταξινόμηση των κόκκων σιταριού, με μια γραμμική συνάρτηση διακρίσεως που εφαρμόστηκε κατά την ταξινόμηση. Η μέθοδος έδειξε βελτιωμένη απόδοση υπό ορισμένες συνθήκες φωτισμού. Ακόμη στην περίπτωση ανίχνευσης ελαττωμάτων σε μήλα χρησιμοποιήθηκε ανάλυση εικόνων πολλαπλής σάρωσης και συστήματα τριών καμερών.

Τέλος, η ποιοτική ταξινόμηση των καρπών Jatropha curcas για την παραγωγή βιοντίζελ με βάση το χρώμα του δέρματος, το μέγεθος των καρπών και τα ελαττώματα, έγινε με τη χρήση της τεχνικής Μέσης Έντασης Χρώματος (MCI) που χρησιμοποιεί έγχρωμα ιστογράμματα RGB. Η MCI αποδείχθηκε αποτελεσματική στην κατηγοριοποίηση των Jatropha curcas σε άγουρα, ώριμα και υπερώριμα με βάση τις τιμές μέσης έντασης χρώματος.

ΣΥΜΠΕΡΑΣΜΑΤΑ

Η εφαρμογή της τηλεπισκόπησης και των τεχνικών επεξεργασίας εικόνας έχει αποδειχθεί εξαιρετικά αποτελεσματικές στον αγροτικό τομέα. Διάφορες τεχνολογίες απεικόνισης, συμπεριλαμβανομένης της υπέρυθρης, της υπερφασματικής απεικόνισης και των ακτινών Χ, έχουν αποδείξει χρησιμότητα σε εργασίες όπως ο προσδιορισμός δεικτών βλάστησης, η μέτρηση των παραμέτρων του θόλου και η χαρτογράφηση αρδευόμενων εδαφών με αξιοσημείωτη ακρίβεια. Οι αλγόριθμοι επεξεργασίας εικόνας έχουν δείξει την ικανότητα να ταξινομούν με ακρίβεια τα ζιζάνια, επηρεάζοντας έτσι την απόδοση, με ακρίβεια ταξινόμησης που κυμαίνεται από 85% έως 96%. Αυτή η ακριβής ταξινόμηση δίνει τη δυνατότητα στους αγρότες να εφαρμόζουν με σύνεση ζιζανιοκτόνα, προωθώντας τη διατήρηση του περιβάλλοντος και τη σχέση κόστους-αποτελεσματικότητας. Ομοίως, στα συστήματα ταξινόμησης φρούτων, η κατάτμηση και η ταξινόμηση μπορούν να εκτελεστούν με εξαιρετική ακρίβεια. Η ακρίβεια ταξινόμησης στην ταξινόμηση των φρούτων μπορεί να φτάσει έως και το 96% όταν χρησιμοποιούνται κατάλληλες τεχνικές και αλγόριθμοι απεικόνισης. Συνοπτικά, η επεξεργασία εικόνας ξεχωρίζει ως ένα μη επεμβατικό και ισχυρό εργαλείο για γεωργική ανάλυση, προσφέροντας αξιοσημείωτη ακρίβεια στην αξιολόγηση διαφόρων αγρονομικών παραμέτρων.

Προσωπικά εργαλεία