ระบบเฝ้าสังเกตและวิเคราะห์การเจริญเติบโตของอ้อยโดยใช้โดรนสังเกตการณ์
Monitoring and Analysis System of Sugarcane Growth Using Observation Drone
Abstract
อ้อยจัดเป็นพืชเศรษฐกิจที่สำคัญชนิดหนึ่งของประเทศไทย และสามารถนำไปใช้เป็นวัตถุดิบสำหรับอุตสาหกรรมน้ำตาล การสำรวจแปลงอ้อยจะทำให้ทราบถึงการเปลี่ยนแปลงของต้นอ้อยในแปลงอ้อย ดังนั้นจึงมีการใช้โดรนสังเกตการณ์ติดกล้องเพื่อทำการสำรวจแปลงอ้อยในบริเวณที่เข้าถึงได้ยาก งานวิจัยนี้พัฒนาขึ้นเพื่อถ่ายภาพและวิเคราะห์ภาพของแปลงอ้อยที่ครอบคลุมพื้นที่กว้างซึ่งการสังเกตด้วยตาเปล่าอาจทำได้ยากและไม่ทั่วถึง ระบบที่พัฒนาขึ้นประกอบด้วยสองส่วนคือส่วนหน้าและส่วนหลัง สำหรับส่วนหน้าจะเป็นเว็บแอปพลิเคชันบนสมาร์ทโฟนสำหรับเป็นส่วนต่อประสานกับผู้ใช้ ซึ่งใช้ในการรับภาพถ่ายจากโดรนและแสดงผลการวิเคราะห์การประมวลผลภาพ โดยจะรับส่งข้อมูลและภาพกับส่วนหลังผ่านทาง Firebase Realtime Database และ Firebase Cloud Storage ในส่วนหลังจะประกอบด้วยโปรแกรมคำนวณโดยใช้ MATLAB บนเครื่องเซิร์ฟเวอร์และที่เก็บข้อมูลบนคลาวด์ของ Firebase โมเดลสี HSV และ YCbCr รวมทั้งอัลกอริทึม Otsu Thresholding ถูกใช้สำหรับการประมวลผลภาพดิจิทัล จากนั้นใช้สคริปต์ Isgreen สำหรับการแยกสีเพื่อคำนวณเปอร์เซ็นต์ของสีเขียวของภาพแปลงอ้อย ผลลัพธ์ที่ได้จะแสดงเป็นกราฟบนหน้าเว็บแอปพลิเคชัน ซึ่งผลการวิเคราะห์นี้จะช่วยให้ผู้ใช้หรือเกษตรกรสามารถตัดสินใจเกี่ยวกับเวลาที่เหมาะสมที่จะเก็บเกี่ยวต้นอ้อยได้ จากการทดสอบการทำงานของเว็บแอปพลิเคชันพบว่าสามารถทำงานได้อย่างถูกต้องคิดเป็นร้อยละ 98.46 และจากการทดสอบการประมวลผลภาพผ่านโปรแกรม MATLAB โดยใช้ชุดข้อมูลปกติและไม่ปกติ (โดยการหมุนภาพ) พบว่าโปรแกรมสามารถแยกชนิดของพืชได้อย่างถูกต้องคิดเป็นร้อยละ 98.89 และ 93.85 ตามลำดับ
Sugarcane is one of the important economic crops of Thailand and generally used as a raw material for sugar industry. The survey of sugarcane field indicates the changes of sugarcane plants in sugarcane field. Therefore, the observation drone with camera is used for survey sugarcane field in hard-to-reach areas. This research is developed to take and analyze images of sugarcane field covering a wide area that cannot be observed thoroughly. The developed system consists of two parts: front-end part and backend part. The front-end part contains a web application on smartphone for user interface which is used to take the images from drone and show the results of image processing analysis. Data and images are transferred to the back-end part via Firebase Realtime Database and Firebase Cloud Storage. The back-end part includes a computational program using MATLAB on server and data storage on Firebase Cloud. HSV and YCbCr color models and also Otsu Thresholding algorithm are used for digital image processing. Then Isgreen script is used for color separation to calculate the percentage of a green color of sugarcane field images. The results are displayed in graph on the web application. These help users or farmers make a decision about the right time for harvesting sugarcane. From the functional test of the web application, it was found that 98.46% of the test was correct. Moreover, based on the image processing test via MATLAB using normal and non-normal data sets (by rotating the images), it was found that the program was able to correctly distinguish 98.89% and 93.85% of the plant species respectively.
Keywords
[1] P. Usaborisut and T. Niyamapa, “Effects of machine-induced soil compaction on growth and yield of sugarcane,” American Journal of Agricultural and Biological Sciences, vol. 5, no. 3, pp. 269–273, 2010.
[2] D. Murugan, A. Garg, and D. Singh, “Development of an adaptive approach for precision agriculture monitoring with drone and satellite data,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 10, no. 12, pp. 5322–5328, 2017.
[3] T. Duan, S. C. Chapman, Y. Guo, and B. Zheng, “Dynamic monitoring of NDVI in wheat agronomy and breeding trials using an unmanned aerial vehicle,” Field Crops Research, vol. 210, pp. 71–80, 2017.
[4] B. Wiedenfeld, J. Enciso, G. Fipps, and J. Robinson, “Irrigation of sugarcane in Texas,” Texas Cooperative Extension, TX, Rep. B-6156, 2005.
[5] P. Khunsanit and S. Yingjajaval, “Biomass of sugarcane cv. K95-84,” Agricultural Science Journal, vol. 42, no. 3, pp. 485–493, 2011 (in Thai).
[6] H. Lin, J. Chen, Z. Pei, S. Zhang, and X. Hu, “Monitoring sugarcane growth using ENVISAT ASAR data,” IEEE Transactions on Geoscience and Remote Sensing, vol. 47, no. 8, pp. 2572– 2580, 2009.
[7] Y. Guan, Q. Zhang, X. Zhang, Y. Jia, and S. Wang, “A study of color image segmentation based on stochastic expectation maximization algorithm in HSV model,” in Proceedings of 2006 International Symposium on Systems and Control in Aerospace and Astronautics (ISSCAA), Harbin, China, 2006, pp. 1198–1200.
[8] G. Saravanan, G. Yamuna, and S. Nandhini, “Real time implementation of RGB to HSV/HSI/ HSL and its reverse color space models,” in Proceedings of 2016 International Conference on Communication and Signal Processing (ICCSP), Melmaruvathur, India, 2016, pp. 0462– 0466.
[9] S. Midha, R. Vijay, and S. Kumari, “Analysis of RGB and YCbCr color spaces using wavelet transform,” in Proceedings of 2014 IEEE International Advance Computing Conference (IACC), Gurgaon, India, 2014, pp. 1004–1007.
[10] R. C. Gonzalez and R. E. Woods, Digital Image Processing, 3rd ed., Pearson Prentice Hall, NJ, 2008, ch. 10, pp. 738–741.
[11] N. Otsu, “A threshold selection method from gray-level histograms,” IEEE Transactions on Systems, Man, and Cybernetics, vol. 9, no. 1, pp. 62–66, 1979.
[12] A. Davoudian, L. Chen, and M. Liu, “A survey on NoSQL stores,” ACM Computing Surveys, vol. 51, no. 2, 2018, Art. no. 40.
[13] A. Oussous, F.-Z. Benjelloun, A. A. Lahcen, and S. Belfkih, “Big data technologies: A survey,” Journal of King Saud University - Computer and Information Sciences, vol. 30, no. 4, pp. 431–448, 2018.
[14] M. Srilatha, C. Abhinav, M. Balaram, and A. Sanjana, “Smart monitoring and collection of garbage system using internet of things,” in Proceedings of 2021 International Conference on Intelligent Communication Technologies and Virtual Mobile Networks (ICICV), Tirunelveli, India, 2021, pp. 335–342.
[15] Q. Su, Color Image Watermarking, Walter de Gruyter GmbH, Berlin, Germany, 2017, ch. 3, pp. 54–55.
[16] S. Eddins. It ain’t easy seeing green (unless you have MATLAB). MathWorks. [Online]. Available: https://blogs.mathworks.com/ steve/2014/08/12
[17] M. J. Mior, K. Salem, A. Aboulnaga, and R. Liu, “NoSE: Schema design for NoSQL applications,” IEEE Transactions on Knowledge and Data Engineering, vol. 29, no. 10, pp. 2275–2289, 2017.
DOI: 10.14416/j.kmutnb.2022.10.001
ISSN: 2985-2145
Email this article 
Hide
Show all