Published February 20, 2018
| Version v1
Publication
Open
Weed Detection Using SVMs
- 1. Lahore College for Women University
Description
The major concern in Pakistani agriculture is the reduction of growing weed. This research aims to provide a weed detection tool for future agri-robots. The weed detection tool incorporates the use of machine-learning procedure explicitly implementing Support Vector Machines (SVMs) and blob analysis for the effective classification of crop and weed. Weed revealing is based on characteristic features i.e. red green blue (RGB) components which differentiate soil and plant. Morphological features—centroidand length aid to distinguish shape of crop and weed leaves. Following feature extraction, the positive and negative margins are separated by a hyper-plane. The separating hyper-plane acts as the decision surface. Sample input consists of multiple digital field images of carrot crops. Training samples of seventy two images are taken. Accuracy of the outcomes discloses that SVM and blob analysis attain above 50-95% accuracy.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يتمثل الشاغل الرئيسي في الزراعة الباكستانية في الحد من زراعة الأعشاب الضارة. يهدف هذا البحث إلى توفير أداة للكشف عن الأعشاب الضارة للروبوتات الزراعية المستقبلية. تتضمن أداة الكشف عن الأعشاب الضارة استخدام إجراءات التعلم الآلي التي تنفذ صراحة آلات ناقلات الدعم (SVMs) وتحليل BLOB للتصنيف الفعال للمحاصيل والأعشاب الضارة. يعتمد الكشف عن الأعشاب الضارة على السمات المميزة، أي مكونات اللون الأحمر والأخضر والأزرق (RGB) التي تميز التربة والنبات. السمات المورفولوجية - تساعد على التمييز بين شكل أوراق المحاصيل والأعشاب الضارة. بعد استخراج الميزة، يتم فصل الهوامش الإيجابية والسلبية بمستوى فائق. يعمل المستوى الفائق الفاصل كسطح القرار. تتكون عينة المدخلات من صور ميدانية رقمية متعددة لمحاصيل الجزر. يتم أخذ عينات تدريبية من اثنين وسبعين صورة. تكشف دقة النتائج أن تحليل SVM و BLOB يحقق دقة أعلى من 50-95 ٪.Translated Description (French)
La principale préoccupation de l'agriculture pakistanaise est la réduction de la culture de mauvaises herbes. Cette recherche vise à fournir un outil de détection des mauvaises herbes pour les futurs agro-robots. L'outil de détection des mauvaises herbes intègre l'utilisation d'une procédure d'apprentissage automatique mettant explicitement en œuvre des machines à vecteurs de soutien (SVM) et une analyse des taches pour la classification efficace des cultures et des mauvaises herbes. La révélation des mauvaises herbes est basée sur des caractéristiques, c'est-à-dire des composants rouge-vert-bleu (RVB) qui différencient le sol et la plante. Caractéristiques morphologiques - le centroïde et la longueur aident à distinguer la forme des feuilles des cultures et des mauvaises herbes. Après l'extraction des caractéristiques, les marges positives et négatives sont séparées par un hyperplan. L'hyperplan de séparation agit comme surface de décision. L'entrée d'échantillon se compose de plusieurs images numériques de terrain de cultures de carottes. Des échantillons d'entraînement de soixante-douze images sont prises. L'exactitude des résultats révèle que l'analyse SVM et blob atteint une précision supérieure à 50-95%.Translated Description (Spanish)
La principal preocupación en la agricultura paquistaní es la reducción del cultivo de malezas. Esta investigación tiene como objetivo proporcionar una herramienta de detección de malezas para futuros agro-robots. La herramienta de detección de malezas incorpora el uso de un procedimiento de aprendizaje automático que implementa explícitamente máquinas de vectores de soporte (SVM) y análisis de burbujas para la clasificación efectiva de cultivos y malezas. El revelado de malezas se basa en rasgos característicos, es decir, componentes rojo verde azul (RGB) que diferencian el suelo y la planta. Características morfológicas: el centro de la tiroides y la longitud ayudan a distinguir la forma de las hojas de los cultivos y las malas hierbas. Después de la extracción de la característica, los márgenes positivo y negativo están separados por un hiperplano. El hiperplano de separación actúa como la superficie de decisión. La entrada de muestra consiste en múltiples imágenes digitales de campo de cultivos de zanahoria. Se toman muestras de entrenamiento de setenta y dos imágenes. La precisión de los resultados revela que el análisis de SVM y blob alcanza una precisión superior al 50-95%.Files
pdf.pdf
Files
(723.5 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:8a72020c55cd9cc23ccdad10c28a31f2
|
723.5 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الكشف عن الأعشاب الضارة باستخدام SVMs
- Translated title (French)
- Détection de mauvaises herbes à l'aide de SVM
- Translated title (Spanish)
- Detección de malezas mediante SVM
Identifiers
- Other
- https://openalex.org/W2788825833
- DOI
- 10.48084/etasr.1647
References
- https://openalex.org/W1159585562
- https://openalex.org/W1973788747
- https://openalex.org/W2030873237
- https://openalex.org/W2133708323