Tarımda Sayısal Görüntü İşleme Uygulamaları İlker Ongun

DIP@Agriculture Üretim Öncesi Üretim Aşaması Üretim Sonrası Toprak İnceleme Sulama Gereksinimi Yüzey Ölçme Üretim Yönetimi Üretim Aşaması Seçici Uygulamalar Verim İzleme Üretim Sonrası Sınıflama Ayıklama

Kızılberisi-Görünenin Ötesi Frekans düşükse, havaküresel girim fazladır. Görüntüler, görünür ışık frekans aralığının altında alınır. Sis, pus, buğu etkileri giderilerek ayrıntılar net olarak elde edilir. Yapay renklendirme uygulanır.

Yapay Renklendirme Görüntü bilgisi, görünür ışık aralığına getirilir. Koyu Kırmızı Sağlıklı bitki örtüsü Pembe Sorunlu yada ham bitki örtüsü Koyu Yeşil Verimli toprak yada yüksek nem Açık Yeşil Gevşek toprak yada sığ tohum yatağı Siyah Temiz su birikintisi Beyaz Kum, kil yada kanola çiçeği

Üretim Öncesi Uygulamalar Toprak ve örtüsü üzerine ayrıntılı bilgi sağlanabilir.

Üretim Öncesi Uygulamalar Girdi Yönetimi için yüzey ölçmeleri hassasiyetle yapılabilir.

Üretim Aşaması Uygulamalar Veri arttıkça hassasiyet artar İlaçlanmayan bölge İlaçlama bölgesi Zararlı ot haritaları birleştirilir 1998 Zararlı ot haritası Wagner Farm’s of Northwestern Minnesota has been mapping wild oat data since 1994. In this example they took weed maps from 1996 and 1998, and combine the data points into one layer. Then they laid a 99 foot grid over the mapped points (99 feet was the width of the booms for the sprayer they were using). If any the mapped points fell within the grid cell that 99’ by 99’ cell was sprayed. If no points were found in the cell, then the spray booms were turned off, resulting in herbicide savings. 1996 Zararlı ot haritası

Üretim Aşaması Uygulamalar Verim izleme sürecinde yapay renklendirilmiş IR görüntüler belirleyicidir.

Üretim Aşaması Uygulamalar Gübre yararlanımı ve yıkanımı izlenerek gübre girdi maliyetleri önemli miktarda düşürülebilir.

Üretim Aşaması Uygulamaları Sulama için gerekli düzeltici önlemlerin alınması sağlanabilir.

Üretim Sonrası Uygulamalar Sınıflama Ayıklama Sayma (tartma) Paketleme

Örnek MATLAB Uygulaması Karışık durumdaki mısır ve pamuk tohumlarının belirlenmesi ve sayımı isteniyor. İki tohum türünün renklerinin farklı olmasından yararlanılarak ayrım yapılabilir

Örnek MATLAB Uygulaması kym=imread('sun2.jpg') %resim kırmızı ve mavi bileşenlerine ayrılıyor. k=kym(:,:,1); m=kym(:,:,3); figure('name','KIRMIZI BİLEŞEN'),imshow(k); figure('name','MAVİ BİLEŞEN'),imshow(m);

Örnek MATLAB Uygulaması %pamuk tohumunda kırmızı bileşen çok az olduğundan, %kırmızı resim eşiklenip, negatifi alınarak pamuklar seçiliyor. p=imadjust(k,[0.43 0.44],[1 0]); figure('name','Pamuklar'),imshow(p); %tohumlar bütünleştiriliyor. p_filled=imfill(p); figure('name','Dolu Pamuklar'),imshow(p_filled); %temas eden tohumlar ayrılıyor. se1=strel('disk',2); p_eroded=imerode(p_filled,se1); figure('name','PAMUK TOHUMLARI'), imshow(p_eroded);

Örnek MATLAB Uygulaması %temas eden tohumlar ayrılıyor. se1=strel('disk',2); p_eroded=imerode(p_filled,se1); figure('name','PAMUK TOHUMLARI'), imshow(p_eroded); %pamuk sayısı belirlenir ve gösterilir. [P,pam_say]=bwlabel(p_eroded); display(pam_say); pam_say = 35

Örnek MATLAB Uygulaması %Mısırlarda mavi bileşen çok azdır. %Kırmızıdan Mavi çıkarılarak pamuklar ve arkaplan sıfırlanır. corn=k-m; figure('name','MISIR'), imshow(corn); %görüntü eşiklenerek mısır daneleri bulunur corn_sb=imadjust(corn,[0.20 0.21],[0 1]); figure('name','MISIR DANELERİ'), imshow(corn_sb);

Örnek MATLAB Uygulaması %aşındırma ile mısır daneleri birbirinden ayrılır. se2=strel('disk',6); corns=imerode(corn_sb,se2); %mısır daneleri sayılarak ekrana yazdırılır [C,corn_say]=bwlabel(corns); display(corn_say) corn_say = 30

Örnek MATLAB Uygulaması Kırmızı bileşen ile mavi bileşenin farkı alınırken, (2*k)-(1,5*m) eşitliği kullanılırsa, mısır taneleri daha belirgin olarak ayrılabiliyor. Bu görüntü eşiklenerek sayılabilir.

Son not Daha çook çalışmak lazım ;)