نوع مقاله : مقاله پژوهشی

نویسندگان

• مجید حیدری ¹
• داود محمد زمانی ¹
• محمد غلامی پرشکوهی ²
• ابراهیم ابراهیمی ³
• احمد سهیلی ³

¹ گروه مهندسی بیوسیستم, دانشگاه آزاد اسلامی واحد تاکستان, تاکستان, ایران

² گروه مهندسی بیوسیستم، دانشگاه آزاد اسلامی واحد تاکستان، تاکستان، ایران

³ گروه مکانیک، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

چکیده

جوندگان گروه بزرگی از جانوران هستند که در صورت عدم کنترل جمعیت، رشد بیرویه و تکثیر آنها مشکلات جدی برای بشر به وجود خواهند آورد. یکی از راههای کنترل و مبارزه با رشد جمعیت آنها، سم گذاری در لانه آنها با یافتن موقعیت دقیق سوراخ لانه است. در این تحقیق یک الگوریتم هوشمند برای تعیین موقعیت سوراخ لانه جوندگان با استفاده از تحلیل تصاویر هوایی ارائه شد. برای تصویربرداری هوایی کواد کوپتر در ارتفاع ثابت یک متری از سطح زمین و سرعت پیشروی یک متر بر ثانیه، با نرخ تصویربرداری 25 فریم در ثانیه پرواز کرد. فیلم تهیه شده توسط دوربین از طریق ارتباط بیسیم به رایانه منتقل و فریم‌های آن خوانده شد. از تصاویر فریم‌ها، مؤلفه‌های قرمز، سبز و آبی استخراج و تبدیل‌های خاکستری و ماتریس هم وقوعی نیز تهیه شد. سپس از آنها 88 ویژگی رنگی و 44 ویژگی بافتی استخراج گردید. بعد از انتخاب ویژگیهای برتر که بیشتر آنها ویژگیهای بافت تصویر بودند از آنها برای آموزش و پیادهسازی طبقه‌بند ماشین بردار پشتیبان با کرنل پایه شعاعی استفاده شد. بیشترین دقت طبقه‌بندی برای پهنای کرنل 1/0 به دست آمد. این روش با دقت بسیار بالایی(100 درصد) توانست سوراخ لانه جونده را تشخیص دهد. کمترین و بیشترین اختلاف بین موقعیت دقیق و موقعیت پیشبینیشده 1 و 24 سانتی‌متر بود.

کلیدواژه‌ها

• بینایی ماشین
• جوندگان
• طبقه بندی
• کواد کوپتر
• ماشین بردار پشتیبان

عنوان مقاله [English]

Detect rodent nest holes position using machine vision method

چکیده [English]

Order Rodentia is a massive group of animals. In case the population of which is not controlled, their sprawl and propagation will impose severe problems for humankind. One way to prevent and fight the growth of the Rodentia population is by poisoning their burrows, which requires finding the precise location of the holes made. In this study, a fast and intelligent algorithm for determining the position of rodent holes was presented. A quadcopter with a 1m.s-1 propeller speed at a constant 1m height from the ground was used for aerial filming. The filming rate was 25 frames per second. Movies prepared by the camera were transmitted to a computer via wireless communications and converted into images by Aoao software. From images, red, green, blue, and gray surfaces and co-occurrence matrices were extracted, from which, in turn, 88 color and 44 texture features were extracted. Once top features, most of which related to the texture of images, were selected, they were used to train and implement a support vector machine (SVM) classifier with the radial base kernel. The maximum classification accuracy was obtained with a Kernel breadth of 0.1. This method 
detected the rodent nest hole with very high accuracy (100%). The minimum and maximum differences between the exact and predicted positions were 1 and 24 cm.