Dalam dunia hari ini, dengan kepesatan kemajuan teknologi, penggunaan pemantauan secara automatik dalam bidang pertanian semakin meningkat dalam permintaan. Bidang pertanian, kehilangan hasil berlaku terutamanya disebabkan oleh penyakit yang merebak. Kebanyakan penyakit dikesan dan dikenalpasti apabila penyakit itu berlanjutan ke tahap yang serius. UAV yang dilengkapi kamera boleh melakukan beberapa tugas penting dalam bidang pertanian, termasuk memantau keadaan tanah pertanian dan melakukan pengesanan penyakit tumbuhan pada peringkat awal. Pada masa ini, ciri-ciri penyakit dalam pertanian dinilai secara visual, yang boleh memakan masa, kurang tepat dan lebih subjektif. Oleh itu dalam projek ini, pemprosesan imej dijalankan untuk pengesanan penyakit tumbuhan. Pengesanan penyakit tumbuhan menggunakan kaedah pemprosesan imej automatik bermanfaat kerana ia dapat mengurangkan kerja pemantauan besar di ladang-ladang besar yang terdiri daripada banyak tanaman. Lebih-lebih lagi, untuk memantau ladang-ladang besar adalah satu pilihan yang boleh digunakan untuk menggunakan kenderaan udara tanpa pemandu (UAV) untuk mengambil tangkapan imej dari pelbagai tanaman berpenyakit dari pelbagai sudut. Kajian ini mencadangkan satu algoritma segmentasi imej selari untuk mengesan daun berpenyakit dalam Tanaman Kelapa, Kelapa sawit, Pisang, ‘Dwarf Palmetto’ dan ‘Sapodilla’ memperoleh menggunakan dron Parrot PF728000 Anafi dengan 4K HDR kamera. Pada mulanya, algoritma K-means yang selari digunakan pada imej yang diambil untuk memisahkan pelbagai komponen yang diperoleh menggunakan UAV. Selepas K-means berkelompok, bahagian-bahagian yang berpenyakit tumbuhan telah dinilai menggunakan algoritma segmentasi imej berasaskan Hue-Saturation-Value (HSV). Selain itu, perbandingan untuk pemisahan imej juga dilakukan pada imej bukan berkelompok dan imej berkelompok K-means yang mana perbezaannya adalah 18394𝑚𝑚2, 80931𝑚𝑚2, 43361𝑚𝑚2, 16293𝑚𝑚2 dan 77542𝑚𝑚2 sepadan dengan Kelapa, Pisang, ‘Dwarf Palmetto’, Kelapa Sawit dan ‘Sapodilla’ diperoleh secara berurutan. Hasil daripada projek ini penggunaan teknik ‘phenotyping’ tinggi akan berpotensi meningkatkan keupayaan serta mampu mengesan tumbuh-tumbuhan yang lebih sihat dan tanaman lain, dan akhirnya akan menyumbang kepada pembangunan kultivar baru dalam program pembiakan dan estimasi hasil pertanian ketepatan.
_______________________________________________________________________________________________________
In today’s world, with an advent of technological advancements, the use of automated monitoring in agriculture is gaining increase in demand. In the agricultural field, yield loss occurs primarily due to widespread disease. Most of the disease is detected and identified when the disease progresses to a severe stage. A specially equipped UAV can perform several important tasks in agriculture, including monitoring the agriculture land and perform disease detection for several plants at an early stage. Currently, disease traits in agriculture are visually assessed, which can be time-consuming, less accurate and more subjective. Hence, in this project, image processing is used for the detection of plant disease. Detection of plant disease using automated image processing method is beneficial as it can reduce huge work of monitoring in big farms comprising of numerous crops. Moreover, in order to monitor big farms it is a viable option to use unmanned aerial vehicle on specific drone (UAV) to take the snap shots of various diseased plants from multiple angles. This study proposes a parallel image segmentation algorithm in order to detect the diseased leaf in Coconut, Palm, Banana, Dwarf Palmetto and Sapodilla plants acquire using Parrot PF728000 Anafi Drone with 4K HDR Camera. At first, the parallel K-means clustering algorithm was applied on the acquired image to segregate various components acquired using UAV. Post K-means clustering, the diseased portions of the plants were assessed using Hue-Saturation-Value (HSV) based image segmentation algorithm. Moreover, a comparison for image segmentation was also done on non-K-means clustered image and K-means clustered image for which a difference of 18394𝑚𝑚2, 80931𝑚𝑚2, 43361𝑚𝑚2, 16293𝑚𝑚2 and 77542𝑚𝑚2 corresponding to Coconut, Banana, Dwarf Palmetto, Palm and Sapodilla was obtained sequentially. The outcome of this project reflects that high-throughput phenotyping techniques will potentially improve the throughput and objectivity of detecting healthier plants and other crops, and will subsequently contribute to the development of new cultivars in breeding programs and yield estimation in precision agriculture.
Drone based image processing for precision agriculture / Muhammad Arif Syafiq Md Sharif