1. IntroductionTo maximise crop yie

1. Introduction
To maximise crop yield, blanket spraying of herbicides and insecticides is commonly used for weed and pest management. The application of such chemicals is often done terrestrially using an appropriately configured tractor or aerially, using a crop duster. A cost effective system for weed control, using spot-spraying of herbicides at appropriate periods during the cultivation cycle, is of interest to farmers due to the associated benefits of managed costs, reduced herbicide application and crop yield optimisation.
In recent years, the collective application of new technological advancements and improved management practices to farming has given rise to the field of Precision Agriculture (PA) (Zhang et al., 2002), of which a major aspect is Site-Specific Crop Management (SSCM) for optimised, efficient field-crop production. The management of weeds through an agricultural crop’s growth cycle, is one such area that has attracted considerable research interest. Reviews by Zwiggelaar (1998) and Noble et al. (2002) have concluded that weed/soil (green-from-brown) and crop/weed (green-from-green) discrimination, utilising spectral reflectance and hyperspectral/multispectral imaging techniques, has achieved varying levels of success. In particular, spectral analysis has been used as a method for discriminating plants from soil (green-from-brown discrimination) (Felton and McCloy, 1992; Brownhill, 2006). Fundamental work presented by Wang et al. (2001) quantifies plant spectral characteristics by using five feature wavelengths and four normalised colour indices for crop/weed (green-from-green) discrimination. The work led to the development of an optical weed sensor capable of detecting wheat from specific weeds under controlled laboratory conditions. More recently, Deng et al. (2014) have investigated the application of Support Vector Machine (SVM), Artificial Neural Network (ANN) and Decision Tree (DT) based classifiers to compare the classification rates for plant spectral measurements taken in the 350–760 nm visible wavelength range and the 350–2500 nm visible and NIR wavelength range. Experimentally, spectral irradiance measurements for the test crop (corn) and weeds (Dchinochloa crasgalli and Echinochloa crusgalli) were performed in the field, using a handheld spectroradiometer, with results showing that the visible light range proved adequate to meet discrimination requirements for the given test plants. An innovative approach presented by Sahba et al. (2006) and Paap et al. (2008) demonstrated generalised green-from-green discrimination using a novel optical
architecture, with the eventual objective of practical application of the technology to weed treatment, using spot spraying in field-crop production. The application of hyperspectral measurement techniques to the problem of crop/weed discrimination has also been reported on in the literature. Shapira et al. (2010) have investigated using ground based hyperspectral imaging to detect grasses and broadleaf weeds among cereal and broadleaf crops. The proximity based hyperspectral camera yielded hyperspectral resolution with high spatial resolution, enabling considerable spectral and spatial separation between crop and weed. In a different approach, Eddy et al. (2013) have investigated the feasibility of using reduced hyperspectral bandsets and ANN classification for discriminating between crop-field pea (Pisum sativum), spring wheat (Triticum aestivum), canola (Brassica napus) and weed-wild oat (Avena fatua), redroot pigweed (Amaranthus retroflexus). Reduced sets of narrow wave bands were created using Principal Component Analysis and Stepwise Discriminant Analysis with experimental results showing that plant discrimination using an ANN classifier was feasible and could provide considerable computational savings due to the reduced data dimensionality. The drawback however, was the high overhead required to train the classifier for successful operation.
This paper reports on recent results obtained from research into the development of an advanced proof-of-concept real-time plant discrimination system based on discrete spectral reflectance measurements for green-from-green plant discrimination. The developed system is tested for the discrimination of Anthurium (Anthurium andraeanum) from Sunkisses (Ipomoea batatas var. sunkisses) and Dandelion (Taraxacum officinale).
Experimental results show that practical green-from-green discrimination at a farming vehicle speed of 3 km/h can be achieved. At higher speeds, due to identified hardware limitations, the discrimination capability and accuracy declines.

ผลลัพธ์ (ไทย) 1:

1. บทนำเพื่อเพิ่มผลผลิตพืช ครอบที่ฉีดพ่นสารเคมีกำจัดวัชพืชและยาฆ่าแมลงโดยทั่วไปใช้สำหรับการจัดการวัชพืชและศัตรูพืช ใช้สารเคมีดังกล่าวมักจะเสร็จ terrestrially โดยใช้รถแทรกเตอร์การกำหนดค่าอย่างเหมาะสม หรือใช้ duster พืช aerially ระบบต้นทุนประสิทธิภาพการควบคุมวัชพืช ใช้จุดฉีดพ่นสารเคมีสารเคมีกำจัดวัชพืชในระยะที่เหมาะสมระหว่างรอบการเพาะปลูก มีน่าสนใจสำหรับเกษตรกรเนื่องจากมีผลประโยชน์เกี่ยวข้องมีการจัดการต้นทุน ใช้สารกำจัดวัชพืชลดลง และเพิ่มประสิทธิภาพผลผลิตของพืชIn recent years, the collective application of new technological advancements and improved management practices to farming has given rise to the field of Precision Agriculture (PA) (Zhang et al., 2002), of which a major aspect is Site-Specific Crop Management (SSCM) for optimised, efficient field-crop production. The management of weeds through an agricultural crop’s growth cycle, is one such area that has attracted considerable research interest. Reviews by Zwiggelaar (1998) and Noble et al. (2002) have concluded that weed/soil (green-from-brown) and crop/weed (green-from-green) discrimination, utilising spectral reflectance and hyperspectral/multispectral imaging techniques, has achieved varying levels of success. In particular, spectral analysis has been used as a method for discriminating plants from soil (green-from-brown discrimination) (Felton and McCloy, 1992; Brownhill, 2006). Fundamental work presented by Wang et al. (2001) quantifies plant spectral characteristics by using five feature wavelengths and four normalised colour indices for crop/weed (green-from-green) discrimination. The work led to the development of an optical weed sensor capable of detecting wheat from specific weeds under controlled laboratory conditions. More recently, Deng et al. (2014) have investigated the application of Support Vector Machine (SVM), Artificial Neural Network (ANN) and Decision Tree (DT) based classifiers to compare the classification rates for plant spectral measurements taken in the 350–760 nm visible wavelength range and the 350–2500 nm visible and NIR wavelength range. Experimentally, spectral irradiance measurements for the test crop (corn) and weeds (Dchinochloa crasgalli and Echinochloa crusgalli) were performed in the field, using a handheld spectroradiometer, with results showing that the visible light range proved adequate to meet discrimination requirements for the given test plants. An innovative approach presented by Sahba et al. (2006) and Paap et al. (2008) demonstrated generalised green-from-green discrimination using a novel opticalarchitecture, with the eventual objective of practical application of the technology to weed treatment, using spot spraying in field-crop production. The application of hyperspectral measurement techniques to the problem of crop/weed discrimination has also been reported on in the literature. Shapira et al. (2010) have investigated using ground based hyperspectral imaging to detect grasses and broadleaf weeds among cereal and broadleaf crops. The proximity based hyperspectral camera yielded hyperspectral resolution with high spatial resolution, enabling considerable spectral and spatial separation between crop and weed. In a different approach, Eddy et al. (2013) have investigated the feasibility of using reduced hyperspectral bandsets and ANN classification for discriminating between crop-field pea (Pisum sativum), spring wheat (Triticum aestivum), canola (Brassica napus) and weed-wild oat (Avena fatua), redroot pigweed (Amaranthus retroflexus). Reduced sets of narrow wave bands were created using Principal Component Analysis and Stepwise Discriminant Analysis with experimental results showing that plant discrimination using an ANN classifier was feasible and could provide considerable computational savings due to the reduced data dimensionality. The drawback however, was the high overhead required to train the classifier for successful operation. This paper reports on recent results obtained from research into the development of an advanced proof-of-concept real-time plant discrimination system based on discrete spectral reflectance measurements for green-from-green plant discrimination. The developed system is tested for the discrimination of Anthurium (Anthurium andraeanum) from Sunkisses (Ipomoea batatas var. sunkisses) and Dandelion (Taraxacum officinale).Experimental results show that practical green-from-green discrimination at a farming vehicle speed of 3 km/h can be achieved. At higher speeds, due to identified hardware limitations, the discrimination capability and accuracy declines.

ผลลัพธ์ (ไทย) 2:

1.
บทนำเพื่อเพิ่มผลผลิตพืช, การฉีดพ่นสารเคมีกำจัดวัชพืชผ้าห่มและยาฆ่าแมลงเป็นที่นิยมใช้ในการกำจัดวัชพืชและการจัดการศัตรูพืช การประยุกต์ใช้สารเคมีดังกล่าวมักจะทำ terrestrially ใช้รถแทรกเตอร์กำหนดค่าอย่างเหมาะสมหรือ aerially ใช้แปรงพืช ค่าใช้จ่ายระบบที่มีประสิทธิภาพในการควบคุมวัชพืชโดยใช้จุดการฉีดพ่นสารเคมีกำจัดวัชพืชในช่วงเวลาที่เหมาะสมในระหว่างรอบการเพาะปลูกที่เป็นที่สนใจของเกษตรกรเนื่องจากผลประโยชน์ที่เกี่ยวข้องของค่าใช้จ่ายในการจัดการการประยุกต์ใช้สารกำจัดวัชพืชลดลงและการเพิ่มประสิทธิภาพของผลผลิตพืช.
ในปีที่ผ่านมากลุ่ม การประยุกต์ใช้ความก้าวหน้าทางเทคโนโลยีใหม่และการจัดการที่ดีขึ้นกับการทำการเกษตรได้ก่อให้เกิดสนามเกษตรแม่นยำ (PA) (Zhang et al., 2002) ซึ่งเป็นลักษณะที่สำคัญคือการจัดการพืชเว็บไซต์ที่เฉพาะเจาะจง (SSCM) สำหรับที่ดีที่สุดที่มีประสิทธิภาพ การผลิตสาขาพืช ฝ่ายบริหารของวัชพืชผ่านวงจรการเจริญเติบโตของพืชเกษตรเป็นหนึ่งในพื้นที่ดังกล่าวที่มีความสนใจงานวิจัยมาก ความคิดเห็นโดย Zwiggelaar (1998) และโนเบิลและอัล (2002) ได้ข้อสรุปว่าวัชพืช / ดิน (สีเขียวจากสีน้ำตาล) และพืช / วัชพืช (สีเขียวจากสีเขียว) การเลือกปฏิบัติโดยใช้การสะท้อนเงาและ Hyperspectral / multispectral เทคนิคการถ่ายภาพได้ประสบความสำเร็จในระดับที่แตกต่างกันของความสำเร็จ โดยเฉพาะอย่างยิ่งการวิเคราะห์สเปกตรัมได้ถูกใช้เป็นวิธีการในการจำแนกพืชจากดิน (สีเขียวจากสีน้ำตาลการเลือกปฏิบัติ) (เฟลตันและ McCloy 1992; Brownhill 2006) การทำงานพื้นฐานที่นำเสนอโดยวัง et al, (2001) ประเมินลักษณะสเปกตรัมพืชโดยใช้ห้าความยาวคลื่นบาร์และดัชนีสี่สีปกติพืช / วัชพืช (สีเขียวจากสีเขียว) การเลือกปฏิบัติ งานที่นำไปสู่การพัฒนาของเซ็นเซอร์แสงวัชพืชสามารถตรวจสอบข้าวสาลีจากวัชพืชที่เฉพาะเจาะจงภายใต้เงื่อนไขที่ควบคุมในห้องปฏิบัติการ เมื่อเร็ว ๆ นี้เติ้ง et al, (2014) มีการสอบสวนการประยุกต์ใช้การสนับสนุนเครื่องเวกเตอร์ (SVM) ประสาทเทียมเครือข่าย (ANN) และต้นไม้การตัดสินใจ (DT) จําแนกตามการเปรียบเทียบอัตราการจัดหมวดหมู่สำหรับการตรวจวัดสเปกตรัมโรงถ่ายใน 350-760 นาโนเมตรช่วงความยาวคลื่นที่มองเห็นและ 350-2500 นาโนเมตรสามารถมองเห็นได้และ NIR ช่วงความยาวคลื่น ทดลองการวัดรังสีสเปกตรัมสำหรับการเพาะปลูกการทดสอบ (ข้าวโพด) และวัชพืช (Dchinochloa crasgalli และ Echinochloa crusgalli) ได้ดำเนินการในด้านการใช้ Spectroradiometer แบบใช้มือถือที่มีผลแสดงให้เห็นว่าช่วงแสงที่มองเห็นได้รับการพิสูจน์เพียงพอที่จะตอบสนองความต้องการการเลือกปฏิบัติสำหรับการทดสอบที่กำหนด พืช วิธีการใหม่ที่นำเสนอโดย Sahba et al, (2006) และ Paap et al, (2008)
แสดงให้เห็นถึงการเลือกปฏิบัติสีเขียวจากสีเขียวทั่วไปใช้เป็นนวนิยายแสงสถาปัตยกรรมโดยมีวัตถุประสงค์ในที่สุดจากการใช้งานจริงของเทคโนโลยีการรักษาวัชพืชโดยใช้จุดที่ฉีดพ่นในการผลิตสาขาพืช การประยุกต์ใช้เทคนิคการวัด Hyperspectral ในการแก้ไขปัญหาของพืช / วัชพืชการเลือกปฏิบัติที่ยังได้รับการรายงานในวรรณคดี Shapira et al, (2010) มีการสอบสวนโดยใช้พื้นดินตามถ่ายภาพ Hyperspectral ในการตรวจสอบหญ้าและวัชพืชใบกว้างในหมู่ธัญพืชและใบกว้าง ความใกล้ชิดตามกล้อง Hyperspectral ผลความละเอียด Hyperspectral ที่มีความละเอียดเชิงพื้นที่สูงที่ช่วยให้การแยกสเปกตรัมและอวกาศมากระหว่างพืชและวัชพืช ในแนวทางที่แตกต่างวน et al, (2013) มีการสอบสวนความเป็นไปได้ของการใช้ bandsets Hyperspectral ลดลงและการจัดหมวดหมู่ ANN สำหรับการแบ่งแยกระหว่างถั่วพืชสนาม (pisum sativum) ข้าวสาลีฤดูใบไม้ผลิ (Triticum aestivum), คาโนลา (Brassica napus) และข้าวโอ๊ตวัชพืชป่า (Avena Fatua) redroot pigweed (Amaranthus retroflexus) ลดชุดของวงคลื่นแคบ ๆ ที่ถูกสร้างขึ้นโดยใช้วิเคราะห์องค์ประกอบหลักและแบบขั้นตอนการวิเคราะห์จำแนกกับผลการทดลองแสดงให้เห็นว่าการเลือกปฏิบัติพืชใช้ลักษณนาม ANN เป็นไปได้และสามารถให้การคำนวณเงินออมมากเนื่องจากการลดมิติข้อมูล ข้อเสียเปรียบ แต่เป็นค่าใช้จ่ายสูงที่จำเป็นในการฝึกอบรมลักษณนามสำหรับการดำเนินงานที่ประสบความสำเร็จ.
นี้รายงานกระดาษในผลล่าสุดที่ได้รับจากการวิจัยในการพัฒนาขั้นสูงหลักฐานของแนวคิดพืชเวลาจริงระบบการเลือกปฏิบัติบนพื้นฐานของการวัดการสะท้อนเงาที่ไม่ต่อเนื่องสำหรับ สีเขียวจากสีเขียวของพืชการเลือกปฏิบัติ ระบบที่พัฒนาขึ้นมีการทดสอบสำหรับการเลือกปฏิบัติของหน้าวัว (ที่หน้าวัว) จาก Sunkisses (Ipomoea batatas var. sunkisses) และ Dandelion (Taraxacum officinale).
ผลการทดลองแสดงให้เห็นว่าในทางปฏิบัติสีเขียวจากสีเขียวการเลือกปฏิบัติที่ความเร็วของยานพาหนะการเกษตรของ 3 km / ชั่วโมงสามารถทำได้ ที่ความเร็วสูงเนื่องจากการระบุข้อ จำกัด ของฮาร์ดแวร์, ความสามารถในการเลือกปฏิบัติและการลดลงของความถูกต้อง

ผลลัพธ์ (ไทย) 3:

1 . บทนำ
เพื่อเพิ่มผลผลิตพืช การฉีดพ่นสารกำจัดวัชพืช และสารกำจัดแมลง เป็นผ้าห่มที่ใช้โดยทั่วไปสำหรับการจัดการวัชพืชและศัตรูพืช การใช้สารเคมีดังกล่าวมักจะทำ terrestrially ใช้กำหนดค่าอย่างเหมาะสม aerially รถแทรกเตอร์ หรือ การใช้เครื่องพ่นยา ค่าใช้จ่ายที่มีประสิทธิภาพระบบการควบคุมวัชพืชใช้พ่นสารกำจัดวัชพืชที่เหมาะสมจุดในระหว่างรอบระยะเวลาการเพาะปลูก เป็นที่สนใจของเกษตรกร เนื่องจากการเกี่ยวข้องประโยชน์ของการจัดการค่าใช้จ่ายในการลดสารเคมีและเพิ่มประสิทธิภาพผลผลิตพืช .
ในปีล่าสุดรวมโปรแกรมของความก้าวหน้าทางเทคโนโลยีใหม่และปรับปรุงแนวทางปฏิบัติในการจัดการการเกษตรได้ให้ลุกขึ้นเพื่อด้านความแม่นยำการเกษตร ( PA ) ( Zhang et al . , 2002 ) ซึ่งเป็นลักษณะที่สำคัญ คือ การจัดการเว็บไซต์พืชที่เฉพาะเจาะจง ( sscm ) เพื่อเพิ่มประสิทธิภาพการผลิตพืชไร่อย่างมีประสิทธิภาพ การจัดการวัชพืชผ่านวงจรการเจริญเติบโตทางการเกษตรพืชของเป็นหนึ่งในพื้นที่ดังกล่าวที่ดึงดูดความสนใจงานวิจัยมาก วิจารณ์โดย zwiggelaar ( 1998 ) และโนเบิล et al . ( 2002 ) ได้สรุปว่า วัชพืช / ดิน สีเขียว ( จากน้ำตาล ) และวัชพืชพืช / สีเขียว ( สีเขียว ) การเลือกปฏิบัติโดยใช้การสะท้อนแสงสเปกตรัมและเทคนิคการถ่ายภาพ hyperspectral / 3 ได้บรรลุระดับที่แตกต่างของความสำเร็จ โดยเฉพาะอย่างยิ่งการวิเคราะห์สเปกตรัมได้ถูกใช้เป็นวิธีการจำแนกพืชจากดิน ( สีเขียว สีน้ำตาล ( และปฏิบัติ ) และ เมิกคลอย , 1992 ; brownhill , 2006 ) พื้นฐานการทำงานที่นำเสนอโดย Wang et al . ( 2001 ) quantifies พืชลักษณะสเปกตรัมโดยใช้ความยาวคลื่นเท่ากับห้าคุณลักษณะและสี่สีดัชนีผลผลิต / วัชพืชสีเขียว ( สีเขียว ) เลือกงานที่นำไปสู่การพัฒนาของเซ็นเซอร์สามารถตรวจจับแสงหญ้าข้าวสาลีจากวัชพืชเฉพาะภายใต้สภาพควบคุมห้องปฏิบัติการ เมื่อเร็วๆ นี้ เติ้ง et al . ( 2014 ) ได้ศึกษาการประยุกต์ใช้เครื่องเวกเตอร์สนับสนุน ( SVM )โครงข่ายประสาทเทียม ( ANN ) และการตัดสินใจแบบต้นไม้ ( DT ) ตามคำเพื่อเปรียบเทียบอัตราการจำแนกพืชสเปกตรัมที่วัดได้ในช่วงความยาวคลื่นที่มองเห็นได้ 350 – 760 นาโนเมตรและ 350 – 2500 นาโนเมตรและความยาวคลื่นที่มองเห็นได้ คือช่วง ทดลอง ,การวัดสเปกตรัมสำหรับการทดสอบดังกล่าวปลูกพืช ( ข้าวโพด ) และวัชพืช ( dchinochloa crasgalli และ echinochloa crusgalli ) มีการปฏิบัติในด้านการ spectroradiometer มือถือ , กับผลลัพธ์ที่แสดงให้เห็นว่าช่วงแสงที่มองเห็นได้พิสูจน์เพียงพอที่จะตอบสนองความต้องการการได้รับการทดสอบพืช เป็นวิธีการใหม่ที่นำเสนอโดย sahba et al . ( 2006 ) และ paap et al .( 2008 ) โดยสรุปจากการเลือกปฏิบัติโดยใช้สถาปัตยกรรมสีเขียวสีเขียวแสง
นิยาย มี ที่สุดของโปรแกรมการปฏิบัติของเทคโนโลยีการฉีดพ่นวัชพืช โดยใช้จุดในการผลิตพืชไร่ การประยุกต์ใช้เทคนิคการวัด hyperspectral กับปัญหาจำแนกพืช / วัชพืชยังได้รับรายงานในวรรณคดี shapira et al .( 2553 ) ได้ศึกษาการใช้ดินที่ใช้ตรวจจับภาพ hyperspectral หญ้าและวัชพืชใบกว้างที่แตกต่างกันของธัญพืชและพืชไร่ ความใกล้ชิดจากกล้องความละเอียดสูง hyperspectral ให้ผล hyperspectral พื้นที่ความละเอียดให้มากสเปกตรัมและพื้นที่แยกระหว่างพืชและวัชพืช ในวิธีที่แตกต่างกัน เอ็ดดี้ et al .( 2013 ) ได้ศึกษาความเป็นไปได้ในการใช้ลดลง hyperspectral bandsets และการจำแนก แอน เพื่อจำแนกระหว่างถั่วพืชไร่ ( pisum sativum ) ข้าวสาลี ( ข้าวสาลี ) , คาโนลา ( ผักกาดก้านขาว ) และวัชพืชป่าโอ๊ต ( วนา fatua ) , เรดรูท pigweed ( amaranthus retroflexus )ลดลงชุดของแถบคลื่นแคบถูกสร้างขึ้นโดยใช้การวิเคราะห์องค์ประกอบหลักและการวิเคราะห์แบบจำแนกผลการทดลองแสดงให้เห็นว่าการใช้ลักษณนามพืชแอนมีความเป็นไปได้และสามารถคำนวณเงินออมให้มากเนื่องจากการลดข้อมูล dimensionality . ข้อเสียเปรียบอย่างไรก็ตามคือ ค่าใช้จ่ายสูง ต้องฝึกตัวที่ประสบความสําเร็จในการดําเนินงาน
นี่กระดาษรายงานผลล่าสุดที่ได้จากการวิจัยในการพัฒนาขั้นสูงการพิสูจน์แนวคิดแบบจำแนกตามพืชระบบการวัดสเปกตรัมต่อเนื่องสะท้อนจากการเลือกปฏิบัติสำหรับสีเขียวโรงงานสีเขียวระบบที่พัฒนาขึ้นถูกทดสอบสำหรับการเลือกปฏิบัติ ( หน้าวัวหน้าวัว andraeanum ) จาก sunkisses ( ไอโพเมีย batatas var sunkisses ) และดอกแดนดิไลอัน ( taraxacum พะเยา ) .
ผลการทดลองแสดงให้เห็นว่าในทางปฏิบัติจากการเลือกปฏิบัติในฟาร์มสีเขียว สีเขียว รถความเร็ว 3 km / h ได้ ที่ความเร็วสูง เนื่องจากการระบุข้อจำกัดของฮาร์ดแวร์แบ่งแยกความสามารถและความแม่นยำลดลง

.