WEED DETECTION ON CARROTS USING CONVOLUTIONAL NEURAL NETWORK AND INTERNET OF THING BASED SMARTPHONE

Lintang Patria; Aceng Sambas; Ibrahim Mohammed Sulaiman; Mohamed Afendee Mohamed; Volodymyr Rusyn; Andrii Samila

doi:10.35784/iapgos.5968

PDF (angielski)

Opublikowane: 2024-09-30

DOI: https://doi.org/10.35784/iapgos.5968

Numer Tom 14 Nr 3 (2024)

TEORETYCZNE PODEJŚCIE DO OKREŚLANIA EMISYJNOŚCI MATERIAŁÓW STAŁYCH I JEJ PORÓWNANIE Z BADANIAMI EKSPERYMENTALNYMI NA PRZYKŁADZIE STALI PROSZKOWEJ 316L
Oleksandr Vasilevskyi, Michael Cullinan, Jared Allison

5-8
SYSTEM INFORMACYJNY DO WYKRYWANIA PARAMETRÓW NIEBEZPIECZNYCH OBIEKTÓW PRZEMYSŁOWYCH NA PODSTAWIE TECHNOLOGII GEOINFORMACYJNYCH
Oleg Barabahs, Olha Svynchuk, Olena Bandurka, Oleh Ilin

9-14
OKRESOWE FUNKCJE ATEB I METODA VAN DER POLA DO KONSTRUOWANIA ROZWIĄZAŃ DWUWYMIAROWYCH NIELINIOWYCH MODELI OSCYLACJI CIAŁ SPRĘŻYSTYCH
Yaroslav Romanchuk, Mariia Sokil, Leonid Polishchuk

15-20
WYKORZYSTANIE REGRESJI PROCESU GAUSSA DO IDENTYFIKACJI NIELINIOWYCH PROCESÓW SEPARACJI MAGNETYCZNEJ
Oleksandr Volovetskyi

21-28
DWUWYMIAROWA MAPA HIPERCHAOTYCZNA DLA CHAOTYCZNYCH OSCYLACJI
Oleh Krulikovskyi, Serhii Haliuk, Ihor Safronov, Valentyn Lesinskyi

29-34
NEUROBIOLOGICZNE WŁAŚCIWOŚCI STRUKTURY SIECI RÓWNOLEGŁO-HIERARCHICZNEJ I JEJ WYKORZYSTANIE DO ROZPOZNAWANIA WZORCÓW
Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Anatolii Horban, Oleksandr Sobovyi, Liudmyla Pogrebniak, Nelia Burlaka, Yurii Didenko, Maksym Kozyr, Ainur Kozbakova

35-38
MODELE FAŁSZYWEGO I POPRAWNEGO WYKRYWANIA SYGNAŁÓW WYCIEKU INFORMACJI Z EKRANÓW MONITORÓW PRZEZ WYSPECJALIZOWANE ŚRODKI TECHNICZNE WROGIEGO WYWIADU
Dmytro Yevgrafov, Yurii Yaremchuk

39-42
USPRAWNIENIE CYFROWEGO KORELACYJNO-INTERFEROMETRYCZNEGO USTALANIA KIERUNKU ZA POMOCĄ PRZESTRZENNEGO SYGNAŁU ANALITYCZNEGO
Nurzhigit Smailov, Vitaliy Tsyporenko, Akezhan Sabibolda, Valentyn Tsyporenko, Askar Abdykadyrov, Assem Kabdoldina, Zhandos Dosbayev, Zhomart Ualiyev, Rashida Kadyrova

43-48
MODEL MATEMATYCZNY I STRUKTURA SIECI NEURONOWEJ DO WYKRYWANIA CYBERATAKÓW NA SYSTEMY TELEINFORMATYCZNE I KOMUNIKACYJNE
Lubov Zahoruiko, Tetiana Martianova, Mohammad Al-Hiari, Lyudmyla Polovenko, Maiia Kovalchuk, Svitlana Merinova, Volodymyr Shakhov, Bakhyt Yeraliyeva

49-55
METODA TWORZENIA SYSTEMU SKRÓCONEGO KODU POZYCYJNEGO DLA PRZEKSZTAŁCONYCH OBRAZÓW WIDEO
Volodymyr Barannik, Roman Onyshchenko, Gennady Pris, Mykhailo Babenko, Valeriy Barannik, Vitalii Shmakov, Ivan Pantas

56-60
OPARTE NA LICZBACH Z MODELOWANIE GRUPOWEGO PODEJMOWANIA DECYZJI DOTYCZĄCYCH WYBORU DOSTAWCÓW W SYSTEMACH PRODUKCYJNYCH
Kamala Aliyeva

61-67
OPTYMALIZACJA INTELIGENTNIE STEROWANEGO BEZMOSTKOWEGO DODATNIEGO PRZEKSZTAŁTNIKA LUO DLA POJAZDÓW ELEKTRYCZNYCH O MAŁEJ POJEMNOŚCI
Rangaswamy Balamurugan, Ramasamy Nithya

68-70
ZMODYFIKOWANY VGG16 DO DOKŁADNEGO WYKRYWANIA GUZÓW MÓZGU W OBRAZACH MRI
Katuri Rama Krishna, Mohammad Arbaaz, Surya Naga Chandra Dhanekula, Yagna Mithra Vallabhaneni

71-75
EKG OPARTE NA IOT: HYBRYDOWE PODEJŚCIE CNN-BILSTM DO KLASYFIKACJI ZAWAŁÓW MIĘŚNIA SERCOWEGO
Abdelmalek Makhir, My Hachem El Yousfi Alaoui, Larbi Bellarbi, Abdelilah Jilbab

76-80
ZINTEGROWANY MODEL HYBRYDOWY DO WYKRYWANIA CHORÓB PŁUC Z WYKORZYSTANIEM GŁĘBOKIEGO UCZENIA SIĘ
Budati Jaya Lakshmi Narayana, Gopireddy Krishna Teja Reddy, Sujana Sri Kosaraju, Sirigiri Rajeev Choudhary

81-85
MAPOWANIE POLARYZACYJNO-KORELACYJNE OBRAZÓW MIKROSKOPOWYCH TKANEK BIOLOGICZNYCH O RÓŻNEJ STRUKTURZE MORFOLOGICZNEJ
Nataliia Kozan, Oleksandr Saleha, Olexander Dubolazov, Yuriy Ushenko, Iryna Soltys, Oleksandr Ushenko, Oleksandr Olar, Victor Paliy, Saule Smailova

86-90
WYKRYWANIE I KLASYFIKACJA RYB W CZASIE RZECZYWISTYM W ŚRODOWISKU PODWODNYM PRZY UŻYCIU YOLOV5: BADANIE PORÓWNAWCZE ARCHITEKTUR GŁĘBOKIEGO UCZENIA
Rizki Multajam, Ahmad Faisal Mohamad Ayob, W.S. Mada Sanjaya, Aceng Sambas, Volodymyr Rusyn, Andrii Samila

91-95
WYKRYWANIE CHWASTÓW NA MARCHWI PRZY UŻYCIU KONWOLUCYJNEJ SIECI NEURONOWEJ I INTERNETU RZECZY OPARTEGO NA SMARTFONIE
Lintang Patria, Aceng Sambas, Ibrahim Mohammed Sulaiman, Mohamed Afendee Mohamed, Volodymyr Rusyn, Andrii Samila

96-100
ANALIZA I BADANIE PARAMETRÓW WALCOWANIA ZWOJÓW NA POCHYŁEJ PŁASZCZYŹNIE
Larysa Gumeniuk, Lesya Fedik, Volodymyr Didukh, Pavlo Humeniuk

101-104
ANALIZA METOD REKOMENDACJI TREŚCI W SERWISACH INFORMACYJNYCH
Oleksandr Necheporuk, Svitlana Vashchenko, Nataliia Fedotova, Iryna Baranova, Yaroslava Dehtiarenko

105-108
OCENA WYDAJNOŚCI AKADEMICKIEJ STUDENTÓW W NAUCE ONLINE ZA POMOCĄ TECHNIK UCZENIA MASZYNOWEGO
Atika Islam, Faisal Bukhari, Muhammad Awais Sattar, Ayesha Kashif

109-117
ENTROPIJNA OCENA WPŁYWU EDUKACJI NA ROZWÓJ GOSPODARCZY
Yelyzaveta Mykhailova, Nataliia Savina, Volodymyr Lytvynenko, Stanislav Mykhailov

118-122
SYSTEM ІNFORMATYCZNY DO OCENY POZIOMU ZARZĄDZANIA KAPITAŁEM LUDZKIM
Anzhelika Azarova, Larysa Azarova, Iurii Krak, Olga Ruzakova, Veronika Azarova

123-128
ZDECENTRALIZOWANA PLATFORMA FINANSOWANIA PROJEKTÓW CHARYTATYWNYCH
Iryna Segeda, Vladyslav Kotsiuba, Oleksii Shushura, Viktoriia Bokovets, Natalia Koval, Aliya Kalizhanova

129-134

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

Authors

Lintang Patria

lintang@ecampus.ut.ac.id

Indonesia Open University

Aceng Sambas

acenx.bts@gmail.com

Universitas Muhammadiyah Tasikmalaya

Ibrahim Mohammed Sulaiman

kademi1985@gmail.com

Northern University of Malaysia

Mohamed Afendee Mohamed

mafendee@unisza.edu.my

Sultan Zainal Abidin University

Volodymyr Rusyn

rusyn_v@ukr.net

Yuriy Fedkovych Chernivtsi National University, Department of Radio Engineering and Information

https://orcid.org/0000-0001-6219-1031

Andrii Samila

a.samila@chnu.edu.ua

Yuriy Fedkovych Chernivtsi National University

Abstrakt

W niniejszym opracowaniu zaproponowano opartą na konwolucyjnej sieci neuronowej (CNN) metodę automatycznego wykrywania chwastów w formacie kolorowego obrazu. Obraz jest przechwytywany i przesyłany do serwera Internetu rzeczy (IoT) po żądaniu HTTP wykonanym przez Internet, który jest udostępniany za pośrednictwem połączenia modemowego GSM. Serwer IoT zapisuje obraz na dysku serwera, a wyniki są wyświetlane na smartfonie (aplikacja Vision). Wyniki pokazują, że wykrywanie marchwi i chwastów może być precyzyjnie kontrolowane. Oczekuje się, że badania pomogą rolnikom we wspieraniu technologii inteligentnego rolnictwa w Indonezji.

Słowa kluczowe:

wykrywanie chwastów, konwolucyjna sieć neuronowa, Internet rzeczy, smartfon

Bibliografia

[1] Asad M. H., Bais A.: Weed detection in canola fields using maximum likelihood classification and deep convolutional neural network. Information Processing in Agriculture 7, 2020, 535–545 [https://doi.org/10.1016/j.inpa.2019.12.002].

[2] Averill K. M. et al.: Effects of Tertill® weeding robot on weed abundance and diversity. Agronomy 12, 2022, 1754 [https://doi.org/10.3390/agronomy12081754].

[3] Baker H. G.: The evolution of weeds. Annual review of ecology and systematics 5, 1974, 1–24 [https://doi.org/10.1146/annurev.es.05.110174.000245].

[4] Bakhshipour A., Jafari A.: Evaluation of support vector machine and artificial neural networks in weed detection using shape features. Computers and Electronics in Agriculture 145, 2008, 153–160 [https://doi.org/10.1016/j.compag.2017.12.032].

[5] Barrero O. et al.: Weed detection in rice fields using aerial images and neural networks. XXI Symposium on Signal Processing, Images and Artificial Vision – STSIVA, Bucaramanga, Colombia, 1–4, 2016.

[6] Batish D. R. et al.: Crop allelopathy and its role in ecological agriculture. Journal of Crop Production 4, 2001, 121–162 [http://dx.doi.org/10.1300/J144v04n02_03].

[7] Bhong V. S. et al.: Design farming robot for weed detection and herbicides applications using image processing. Techno-societal 2018, Springer, Cham, 413–422, 2020.

[8] Bosilj P., Duckett T., Cielniak G.: Analysis of morphology-based features for classification of crop and weeds in precision agriculture. IEEE Robotics and Automation Letters 3, 2018, 2950–2956 [https://doi.org/10.1109/LRA.2018.2848305].

[9] Brown B. et al.: Improving weed management based on the timing of emergence peaks: a case study of problematic weeds in Northeast USA. Frontiers in Agronomy 4, 2022, 888664 [https://doi.org/10.3389/fagro.2022.888664].

[10] Bullock D. G.: Crop rotation. Critical Reviews in Plant Sciences 11, 1992, 309–326 [https://doi.org/10.1080/07352689209382349].

[11] Cheema Z. A., Asim M., Khaliq A.: Sorghum allelopathy for weed control in cotton (Gossypium arboreum L.). International Journal of Agriculture & Biology 2, 2000, 37–40.

[12] Da Silva Dias J. C.: Nutritional and health benefits of carrots and their seed extracts. Food and Nutrition Sciences 5, 2014, 2147–2156 [http://dx.doi.org/10.4236/fns.2014.522227].

[13] Damalas C. A., Koutroubas S. D.: Weed competition effects on growth and yield of spring-sown white lupine. Horticulturae 8, 2022, 430 [https://doi.org/10.3390/horticulturae8050430].

[14] Dilday R. H., Lin J., Yan W.: Identification of allelopathy in the USDA-ARS rice germplasm collection. Australian Journal of Experimental Agriculture 34, 1994, 907–910 [https://doi.org/10.1071/EA9940907].

[15] Dyrmann M., Jorgensen R. N., Midtiby H. S.: RoboWeedSupport-Detection of weed locations in leaf occluded cereal crops using a fully convolutional neural network. Advances in Animal Biosciences 8, 2017, 842–847 [https://doi.org/10.1017/S2040470017000206].

[16] Eddy P. et al.: Comparison of neural network and maximum likelihood high resolution image classification for weed detection in crops: applications in precision agriculture. IEEE International Symposium on Geoscience and Remote Sensing, Denver, CO, USA, 2006, 116–119.

[17] Farooq N. et al.: Allelopathy for weed management. Co-Evolution of Secondary Metabolites. Reference Series in Phytochemistry. Springer, Cham, 2020, 505–519.

[18] Fawakherji M. et al.: Crop and weeds classification for precision agriculture using context-independent pixel-wise segmentation. Third IEEE International Conference on Robotic Computing – IRC, Naples, Italy, 2019, 146–152.

[19] Finch H. J. S., Samuel A. M., Lane G. P. F.: Weeds. Woodhead Publishing Series in Food Science, Technology and Nutrition. Lockhart and Wiseman’s Crop Husbandry Including Grassland (Eighth Edition), Woodhead Publishing, 87–111, 2002.

[20] Garibaldi-Marquez F. et al.: Weed classification from natural corn field-multi-plant images based on shallow and deep learning. Sensors 22, 2022, 3021 [https://doi.org/10.3390/s22083021].

[21] Guerrero J. M., Ruz J. J., Pajares G.: Crop rows and weeds detection in maize fields applying a computer vision system based on geometry. Computers and Electronics in Agriculture 142, 2017, 461–472 [https://doi.org/10.1016/j.compag.2017.09.028].

[22] Karlen D. L.: Crop rotations for the 21st century. Advances in Agronomy 53, 1994, 1–45 [https://doi.org/10.1016/S0065-2113(08)60611-2].

[23] Kim K. U., Shin D. H.: Progress and prospect of rice allelopathy research. Allelopathy in sustainable agriculture and forestry. Springer, New York, 189–213, 2008.

[24] Le V. N. T. et al.: A novel method for detecting morphologically similar crops and weeds based on the combination of contour masks and filtered Local Binary Pattern operators. GigaScience 9, 2022, giaa017 [https://doi.org/10.1093/gigascience/giaa017].

[25] Liebman M., Dyck E.: Crop rotation and inter-cropping strategies for weed management. Ecological Applications 3, 1993, 92–122 [https://doi.org/10.2307/1941795].

[26] Mahe I. et al.: Deciphering field-based evidences for crop allelopathy in weed regulation. A review. Agronomy Sustainable Development 42, 2022, 50 [https://doi.org/10.1007/s13593-021-00749-1].

[27] Mao W., Wang Y., Wang Y.: Real-time detection of between-rowweeds using machine vision. ASAE Annual Meeting. American Society of Agricultural and Biological Engineers 1, 2003.

[28] McFadyen R. E. C.: Biological control of weeds. Annual review of entomology 43, 1998, 369–393 [https://doi.org/10.1146/annurev.ento.43.1.369].

[29] Milioto A., Lottes P., Stachniss C.: Real-time blob-wise sugar beets vs weeds classification for monitoring fields using convolutional neural networks. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences 4, 2017, 41–48 [https://doi.org/10.5194/isprs-annals-IV-2-W3-41-2017].

[30] Narwal S. S., Haouala R.: Role of allelopathy in weed managementfor sustainable agriculture. Allelopathy. Springer, Heidelberg 1–517, 2013.

[31] Naylor R. E. L.: Weed seed biology. Encyclopedia of Applied Plant Sciences. Academic Press, Oxford, 1500–1508, 2003.

[32] Naylor R. E. L.: Weed seed biology. Encyclopedia of Applied Plant Sciences, 2nd ed., Oxford: Academic Press, 485–492, 2017.

[33] Pena J. M. et al.: Quantifying efficacy and limits of Unmanned Aerial Vehicle (UAV) technology for weed seedling detection as affected by sensor resolution. Sensors 153, 2015, 5609–5626 [https://doi.org/10.3390/s150305609].

[34] Potena C., Nardi D., Pretto A.: Fast and accurate crop and weed identification with summarized train sets for precision agriculture. International Conference on Intelligent Autonomous Systems. Springer, Cham, 2016, 105–121.

[35] Sathishkumar A. et al.: Role of allelopathy in weed management: a review. Agricultural Reviews 41, 2020, 380–386 [https://doi.org/10.18805/ag.R-2031].

[36] Scarano A. et al.: Phytochemical analysis and antioxidant properties in colored tiggiano carrots. Agriculture 8, 2018, 102 [https://doi.org/10.3390/agriculture8070102].

[37] Stowe L.: Allelopathy and its influence on the distribution of plants in an Illinois old-field. Journal of Ecology 67, 1979, 1065–1085 [https://doi.org/10.2307/2259228].

[38] Tang J., Wang D., Zhang Z., He L., Xin J., Xu Y.: Weed identification based on K-means feature learning combined with convolutional neural network. Computers and electronics in agriculture 135, 2017, 63–70 [https://doi.org/10.1016/j.compag.2017.01.001].

[39] Tellaeche A. et al.: A computer vision approach for weeds identification through support vector machines. Applied Soft Computing 11, 2011, 908–915 [https://doi.org/10.1016/j.asoc.2010.01.011].

[40] Tellaeche A. et al.: A Vision-based hybrid classifier for weeds detection in precision agriculture through the bayesian and fuzzy k-means paradigms. Innovations in Hybrid Intelligent Systems. Springer, Berlin, Heidelberg, 72–79, 2007.

[41] Tesio F., Ferrero A.: Allelopathy, a chance for sustainable weed management. International Journal of Sustainable Development & World Ecology 17, 2010, 377–389 [https://doi.org/10.1080/13504509.2010.507402].

[42] Tong P. S., Lim T. M.: Weed composition and maize yield in a former tinmining area: A case study in Malim Nawar, Malaysia, Open Agriculture 7, 2022, 478–485 [https://doi.org/10.1515/opag-2022-0117].

[43] Torres-Sospedra J., Nebot P.: Two-stage procedure based on smoothed ensembles of neural networks applied to weed detection in orange groves. Biosystems Engineering 123, 2014, 40–55 [https://doi.org/10.1016/j.biosystemseng.2014.05.005].

[44] Veeranampalayam Sivakumar A. N. V. et al.: Comparison of object detection and patch-based classification deep learning models on mid-to late-season weed detection in UAV imagery. Remote Sensing 12, 2020, 2136 [https://doi.org/10.3390/rs12132136].

[45] Wang A., Zhang W., Wei X.: A Review on weed detection using ground-based machine vision and image processing techniques. Computers and Electronics in Agriculture 158, 2019, 226–240 [https://doi.org/10.1016/j.compag.2019.02.005].

[46] Wu H. et al.: Quantitative trait loci and molecular markers associated with wheat allelopathy. Theoretical and Applied Genetics 107, 2003, 1477–1481 [https://doi.org/10.1007/s00122-003-1394-x].

[47] Yu J. et al.: Weed detection in perennial ryegrass with deep learning convolutional neural network. Frontiers in Plant Science 10, 2019, 1422 [https://doi.org/10.3389/fpls.2019.01422].

WYKRYWANIE CHWASTÓW NA MARCHWI PRZY UŻYCIU KONWOLUCYJNEJ SIECI NEURONOWEJ I INTERNETU RZECZY OPARTEGO NA SMARTFONIE. (2024). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 14(3), 96-100. https://doi.org/10.35784/iapgos.5968

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 3 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja