TỰ ĐỘNG PHÁT HIỆN BÚP CHÈ DỰA TRÊN THỊ GIÁC MÁY TÍNH

Ngày nhận bài: 22-07-2015

Ngày duyệt đăng: 03-09-2015

DOI:

Lượt xem

0

Download

0

Chuyên mục:

KỸ THUẬT VÀ CÔNG NGHỆ

Cách trích dẫn:

Thuỷ, N., Hải, V., Huyền, N., & LanAnh, P. (2024). TỰ ĐỘNG PHÁT HIỆN BÚP CHÈ DỰA TRÊN THỊ GIÁC MÁY TÍNH. Tạp Chí Khoa học Nông nghiệp Việt Nam, 13(6), 968–975. http://testtapchi.vnua.edu.vn/index.php/vjasvn/article/view/1530

TỰ ĐỘNG PHÁT HIỆN BÚP CHÈ DỰA TRÊN THỊ GIÁC MÁY TÍNH

Nguyễn Thị Thuỷ (*) 1 , Vũ Hải 1 , Nguyễn Thị Huyền 1 , Phạm Thị LanAnh 1

  • 1 Khoa Công nghệ Thông tin, Học viện Nông nghiệp Việt Nam
  • Tóm tắt


    Đối với người trồng chè và các nhà nghiên cứu về chè, việc đếm số lượng búp chè trong một diện tích mẫu thường được thực hiện để đánh giá năng suất của chè, theo dõi sinh trưởng của chè, hoặc quyết định thời điểm thích hợp cho việc thu hoạch chè. Tuy nhiên, đó là một công việc nhàm chán và mất nhiều thời gian. Bài báo này nghiên cứu một phương pháp ứng dụng thị giác máy tính để tự động phát hiện và đếm số lượng búp chè trong một ảnh được chụp trên một diện tích chè nhất định. Đầu tiên chúng tôi xây dựng một mô hình thống kê cho phân bố màu sắc của búp chè để có thể tách được những khu vực có thể chứa búp chè (khu vực quan tâm- ROI) từ một nền phức tạp. Với mỗi ROI, chúng tôi trích chọn các đặc trưng với hy vọng các đặc trưng đó sẽ là những đặc trưng chỉ xuất hiện quanh một đỉnh búp chè dựa vào haiyếu tố: mật độ của các điểm ảnh ởtâm búp chè và phân bố của hướng gradient theo cấu trúc hình sao. Các điểm đặc trưng xung quanh sau khi được phát hiện sẽ được đưa vào bộ phân loại Mean-shift để xác định vị trí tâm củanhững búp chè. Phương pháp đề xuất được đánh giá dựa trên một tập ảnh được chụp ở các vị trí khác nhau trên ruộng chè và ở những độ tuổi khác nhau. Kết quả cho thấy hệ thống nhận dạng búp chè với độ chính xác 86%, hệ thống có thể phát hiện sai ở mức 24%. Với cách tiếp cận này, chúng ta có thể xây dựng ứng dụng hỗ trợ cho công việc liên quan của người trồng chè hoặc các nhà nghiên cứu về cây chè.

    Tài liệu tham khảo

    Canny, J. (1986). A computational approach to edge detection. Pattern Analysis and Machine Intelligence, IEEE T-PAMI, 8: 679 - 698.

    Golzarian R.M., J. Cai, R. Frick, and S. Miklavcic (2011). Segmentation of cereal plant images using level set methods a comparative study. Journal of Infor mation and Electronics Engineering, p. 72 - 78.

    Gonzalez, R., and R. Woods, (2008). Digital Image Processing: Pearson Prentice Hall.

    Kumar Neeraj, Peter N. Belhumeur, Arijit Biswas, David W. Jacobs, W. John Kress, Ida C. Lopez, João V. B. Soares (2012). “Leafsnap: A computer vision system for automatic plant species identification”. Proceedings of the 12th European Conference on Computer Vision, vol. LNCS 7584: 502 - 516.

    Wang, J., X.Zeng, and J. Liu (2011). Three - dimensional modeling of tea - shoots using images and models. Sensors, 11(4): 3803 - 3815.

    Wang, X. - F., D. - S. Huang, ,J. - X. Du, , H. Xu, , and L. Heutte (2008). Classification of plant leaf images with complicated background. Applied mathematics and computation, 205(2): 916 - 926.

    Zhiyi, H. C. C. Quansheng, and C. Jianrong (2012). Identification of green tea (Camellia sinensis) quality level using computer vision and pattern recognition. Proceedings of the 2012 International Conference on Biological and Biomedical Sciences, p. 20 - 28