Authors

Abstract

Nowadays, the indiscriminate use of pesticides for plant protection, has led to severe environmental pollution. This input accounts for a portion of the agricultural economy and should be sprayed in a way that has the highest biological efficacy and the least run-off. Therefore, real-time evaluation of spray characteristics and its classification is necessary. In the current research, a piezoelectric sensor was employed for detection of vibration signals from impaction of droplets to the active surface of the sensor. To supervised classification, the Support Vector Machine classifier as a Machine Learning model was implemented by means of extracted features from conditioned signals. By using a feature selection algorithm, six features were selected comprising mean, median, mode of signal peaks, root mean square, mean deviation and impulse factor of the signals. These features used as Support Vector Machine inputs. Model targets were spray droplet characteristics that were determined using image processing techniques on water sensitive papers. The results showed that the Linear and medium Gaussian models have the highest overall accuracy. Linear Support Vector Machine has higher accuracy and precision for training data (94.60% and 94.63%) and its model was able to predict with 92.59% accuracy. Precision of classifier model was higher than 92% for all classes. The highest miss rate of the model was approximately 15% in the separation of class C. Accurate and precise performance of linear classifier was confirmed by determining the Kappa coefficient of 0.77.

Abstract in Arabic

امروزه مصرف بی رویه آفت کش ها در عملیات حفظ نباتات، موجبات آلودگی شدید محیط زیست را فراهم می آورد. این نهاده که بخشی از اقتصاد کشاورزی را به خود اختصاص می دهد باید طوری استفاده شود که درعین بیشترین اثرگذاری بیولوژیک، کمترین هدررفت را داشته باشد. بنابراین ارزیابی بلادرنگ ویژگی های قطرات افشانه و طبقه بندی وضعیت های پاشش در سمپاشی امری ضروری است. در این پژوهش با بکارگیری سنسور فیلم پیزوالکتریک برخورد قطرات به سطح موثر سنسوری آشکارسازی شده و سیگنال های ارتعاشی ناشی از برخوردها جمع آوری شدند. با پیاده سازی ماشین بردار پشتیبان و استفاده از ویژگی های استخراج شده از سیگنال های آماده شده به عنوان ورودی های مدل، طبقه بندی نظارت شده انجام شد. برای نمونه گیری از قطرات از کاغذهای حساس به آب استفاده شد وبا بکارگیری تکنیک های پردازش تصویر، ویژگی های قطرات افشانه تعیین شدند و به عنوان اهداف مدل بکار رفتند. نتایج نشان داد که مدل ماشین بردار پشتیبان خطی و گوسین متوسط بالاترین صحت طبقه بندی کل را دارند. با کاهش ابعاد ویژگی ها، شش ویژگی شامل میانگین، میانه و مد پیک ها و نیز جذر میانگین مربعات، انحراف ازمیانگین و فاکتور ضربه سیگنالها انتخاب شده و مورد استفاده قرار گرفتند. طبقه بند خطی بالاترین صحت و دقت عملکرد را در داده های آموزشی داشت (94.60 درصد و 94.63 درصد) و مدل آن قادر به پیش بینی با صحت 92.5 درصد بود. دقت مدل در تفکیک تمامی طبقات ازهم بالاتر از 92 درصد بود و بالاترین نرخ خطای مدل تقریبا 15 درصد و مربوط به تفکیک طبقه C بود. صحت و دقت عملکرد مدل خطی با تعیین ضریب کاپای 0.77 مورد تایید قرار گرفت.