Recognition of weeds with image processing and their use with fuzzy logic for precision farming
Notice bibliographique
Résumé
Yang, C.-C., Prasher, S.O., Landry, J.-A., Perret, J. and Ramaswamy, H.S. 2000. Recognition of weeds with image processing and their use with fuzzy logic for precision farming. Can. Agric. Eng. 42:195200. Herbicide use can be reduced if the spatial distribution of weeds in the field is taken into account. This paper reports the initial stages of development of an image capture/processing system to detect weeds, as well as a fuzzy logic decision-making system to determine where and how much herbicide to apply in an agricultural field. The system used a commercially available digital camera and a personal computer. In the image processing stage, green objects in each image were identified using a greenness method that compared the red, green, and blue (RGB) intensities. The RGB matrix was reduced to a binary form by applying the following criterion: if the green intensity of a pixel was greater than the red and the blue intensities, then the pixel was assigned a value of one; otherwise the pixel was given a value of zero. The resulting binary matrix was used to compute greenness area for weed coverage, and greenness distribution of weeds (weed patch). The values of weed coverage and weed patch were inputs to the fuzzy logic decision-making system, which used the membership functions to control the herbicide application rate at each location. Simulations showed that a graduated fuzzy strategy could potentially reduce herbicide application by 5 to 24%, and that an on/off strategy resulted in an even greater reduction of 15 to 64%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».