DOI: 10.32702/2306-6814.2020.4.60
УДК: 338.43
Д. М. Квашук, О. М. Густера, І. О. Юнашов
ІДЕНТИФІКАЦІЯ ХВОРОБ РОСЛИН В СІЛЬСЬКОМУ ГОСПОДАРСТВІ З ВИКОРИСТАННЯМ МАШИННОГО ЗОРУ
Анотація
Статтю спрямовано на класифікацію та визначення захворювань листя ряду сільськогосподарських рослин, з метою покращення інвестиційного клімату в землеробстві. В рамках даної статті, проведено дослідження сучасних технічних засобів для реалізації задач з попередження економічних ризиків, що пов'язані із захворюваннями рослин. Технічні можливості для вирішення таких проблем можуть бути забезпечені за допомогою програмної бібліотеки OpenCV, яка є також предметом дослідження статті.
Приділено увагу питанням економічної безпеки сільськогосподарських підприємств, які можуть вивести нашу країну на новий економічний рівень. Основними елементами економічної безпеки, що розглядаються у статті є механізми її забезпечення шляхом попередження захворювань рослин, руйнівні властивості яких впливають не лише на стан господарської діяльності підприємств, але й на економічну безпеку держави загалом.
У статті представлено алгоритмічно-програмне рішення для ідентифікації хвороби фітофтори огірків на початковій стадії розвитку. Приділено увагу можливостям програмної реалізації таких задач.
Визначено недоліки в застосуванні технологій машинного зору під час визначення хвороб рослин. Так, зокрема, такі природні фактори, як освітленість та тінь можуть стати причиною помилок під час визначення хвороби. Для попередження таких випадків у статті запропоновано ряд заходів для зменшення таких впливів, що дозволить зменшити значну частину помилок.
Також із застосування запропонованого програмного рішення проведено експеримент, який показав значний відсоток візуальних ознак хвороби листя огірка, який показав і недоліки такого методу. Так, зокрема частина листя, яка потрапила тінь була частково проігноровано. Тому вирішення таких недоліків потребує подальшого наукового опрацювання зазначеної проблематики та створення на базі існуючих підходів більш креативних.
Ключові слова: машинний зір; рослини; сільське господарство; економіка; інвестиції; огірки.
Література
1. Наукові публікації і видавнича діяльність Міністрерства траспорту Великобританції. Лондон, 2018. URL: https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/729458/taking-flight-the-future-of-drones-in-the-uk.pdf (дата звернення 12.02.2020).
2. Наукові публікації і видавнича діяльність Міністерства оборони США. 2019, url: https://fas.org/irp/program/collect/uav_roadmap2005.pdf
3. Квашук Д.М., Підлужний В.І. Діагностика захворювань рослин з використанням технологій розпізнавання образів в системі економічної безпеки фермерських домогосподарств. 2019. №6 [Електронний ресурс] // Режим доступу: http://www.economy.nayka.com.ua/?op=1&z=7137
4. Nadir Sainz-Costa, Pedro Javier Herrera, Xavier P Burgos-Artizzu, Angela Ribeiro (2012) An empirical study on the viability of the application of SIFT algorithm to video stabilization in crop fields. Congress of the International Commission of Agricultural and Biosystems Engineering. URL: https://www.researchgate.net/publication/266888580_An_empirical_study_on_the_viability_of_the_application_of_SIFT_algorithm_to_video_stabilization_in_crop_fields
5. Jiang G., Wang X., Wang Z. & Liu H. (2016) Wheat rows detection at the early growth stage based on Hough transform and vanishing point. Computers and Electronics in Agriculture, vol. 5 рр. 211—223.
6. Burgos-Artizzu, Xavier & Ribeiro, Angela & Guijarro, Marіa & Pajares, Gonzalo (2011) Real-time image processing for crop/weed discrimination in maize fields. Computers and Electronics in Agriculture. Vol. 75. pp. 337—346.
7. Anami B.S., Pujari J.D., Yakkundimath R. (2011) Identification and classification of normal and affected agriculture/horticulture produce based on combined color and texture feature extraction. International Journal of Computer Applications in Engineering Sciences - Vol. 1, № 3. рр. 356—360.
8. El-Helly M., Rafea A., El-Gammal S. An Integrated Image Processing System for Leaf Disease Detection and Diagnosis. In Proceedings of the 1st Indian International Conference on Artificial Intelligence. Hyderabad, India, - рр. 1182—1195 (December 18—20, 2003).
9. Duda R.O., Hart P.E., Stork D.G. (2001) Pattern Classification. — New York: Wiley. — Р. 680.
10. Song Kai, liu zhikun, Su hang, Guo chunhong. (2001) A Research of Maize Disease Image Recognition of Corn Based on BP Networks. Third International Conference on Measuring Technology and Mechatronics Automation, IEEE, pp. 246—249 (October 20, 2001).
D. Kvashuk, O. Gustera, I. Yunashov
IDENTIFICATION OF PLANT DISEASES IN AGRICULTURE USING MACHINE VISION
Summary
Article focuses on the classification and definition of diseases the leaves of several crop plants, with the aim of improving the investment climate in agriculture. In this article, the study of modern technical means for the implementation of tasks for the prevention of economic risks associated with plant diseases. Technical possibilities for solving such problems can be achieved by using the software library OpenCV, which also is the subject of this article.
Attention is paid to issues of economic security of agricultural enterprises that can bring our country to a new economic level. The basic elements of economic security, the article under review are the mechanisms of security by preventing crop diseases and destructive properties which not only affect the state of economic activities of enterprises, but also the economic security of the state as a whole.
The article presents an algorithm-a software solution for identification of the Phytophthora disease of cucumbers in the early stage of development. Attention is paid to the capabilities of the software implementation of such tasks.
Identify gaps in the application of technologies of machine vision in the determination of plant diseases. Thus, in particular, such natural factors as light and shadow can cause errors in the determination of the disease. To prevent such cases in the article proposed a number of measures to reduce these impacts, which will reduce much of the errors.
Also, with the use of proposed software solutions, conducted an experiment that showed a significant percentage of the visual signs of the disease the leaves of cucumber, which showed the shortcomings of this method. Thus, in particular, some of the leaves that fell the shadow was partially ignored. Therefore, the decision of such faults requires further scientific study of this problem and establish on the basis of existing approaches more creative.
Keywords: machine vision; plants; agriculture; economy; investments; cucumbers.
References
1. Department for Transport Great Minster House (2018), "Taking Flight: The Future of Drones in the UK", available at: https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/729458/taking-flight-the-future-of-drones-in-the-uk.pdf (Accessed 12 Feb 2020).
2. U.S. Department of Defense (2005), "Unmanned Aircraft Systems Roadmap 2005-2030", available at: https://fas.org/irp/program/collect/uav_roadmap2005.pdf (Accessed 12 Feb 2020).
3. Kvashuk, D.M. and Pidluzhnyj, V.I. (2019), Efektyvna ekonomika, vol. 6, available at: http://www.economy.nayka.com.ua/?op=1&z=7137 (Accessed 10 Feb 2020).
4. Sainz-Costa, N. Javier Herrera, P. Burgos-Artizzu, X. P. and Ribeiro A. (2012), "An empirical study on the viability of the application of SIFT algorithm to video stabilization in crop fields", Congress of the International Commission of Agricultural and Biosystems Engineering, available at: https://www.researchgate.net/publication/266888580_An_empirical_study_on_the_viability_of_the_application_of_SIFT_algorithm_to_video_stabilization_in_crop_fields (Accessed 12 Feb 2020).
5. Jiang, G. Wang, X. Wang, Z. and Liu, H. (2016), "Wheat rows detection at the early growth stage based on Hough transform and vanishing point", Computers and Electronics in Agriculture, vol. 5, рр. 211—223.
6. Burgos-Artizzu, X. Ribeiro, A. Guijarro, M. and Pajares, G. (2011), "Real-time image processing for crop/weed discrimination in maize fields", Computers and Electronics in Agriculture, Vol. 75, pp. 337—346.
7. Anami B.S. Pujari J.D. and Yakkundimath R. (2011), "Identification and classification of normal and affected agriculture/horticulture produce based on combined color and texture feature extraction", International Journal of Computer Applications in Engineering Sciences, Vol. 1, no 3, рр. 356—360.
8. El-Helly, M. Rafea, A. and El-Gammal, S. (2003), "An Integrated Image Processing System for Leaf Disease Detection and Diagnosis", Proceedings of the 1st Indian International Conference on Artificial Intelligence, Hyderabad, India, December 18—20, рр. 1182—1195.
9. Duda, R.O. Hart, P.E. and Stork, D.G. (2001), Pattern Classification, Wiley, New York, USA.
10. Kai, S. Zhikun, L. Hang, Su and Chunhong G. (2001), "A Research of Maize Disease Image Recognition of Corn Based on BP Networks", Third International Conference on Measuring Technology and Mechatronics Automation, IEEE, October 20, pp. 246—249.
№ 4 2020, стор. 60 - 64
Рубрика: Економіка
Дата публікації: 2020-02-28
Кількість переглядів: 834
