Yang, C.-C.; Prasher, S.O. and Landry, J.A. 2002. Weed recognition in corn fields using back-propagation neural network models. Canadian Biosystems Engineering/Le génie des biosystèmes au Canada, 44 : 7.15-7.22.
Abstract
The objective of this study was to develop back-propagation artificial neural network (ANN) models to distinguish young corn plants from weeds. Digital images were taken in the field under various natural lighting conditions. The images were cropped and resized to smaller sub-images containing either corn plants or weeds. The green objects in the images were extracted with the greenness method, thus counting the pixels with a green intensity larger than red and blue intensities and replacing other background pixels with the intensity of zero. The extracted colour images were then converted to intensity images to save computational efforts during the ANN model development. The number of images available for training was quadrupled by rotating counter-clockwise each image by 90, 180, and 270 degrees. Several hundred images of corn plants and weeds were used for training the model. The ability of the ANN models to discriminate weeds from corn was tested. The highest success recognition rate was for corn at 100%, followed respectively by Abutilon theophrasti at 92%, Chenopodium album at about 62% and Cyperus esculentus at 80%. The ANN model required less than one minute to process 250 images containing 80x80 pixels. The inability of ANN models to properly classify weeds and corn plants was due to our inability to use a greater number of processing elements in the formulation of the ANN models. This was most likely caused by issues related to PC memory management. Keywords: neural networks, image recognition, image processing, greenness, precision farming.
Résumé
L'objectif de cette étude fut de créer un modèle à l aide d un réseau neuronal dont l'entraînement est fait par rétro-propagation pour faire la distinction entre des plants de maïs et des mauvaises herbes. Des images numériques furent prises au champ sous divers éclairages naturels. Les images furent découpées et redimensionnées en sous-images contenant soit des plants de maïs ou des mauvaises herbes. Les objets verts de l'image furent extraits en comptant les pixels ayant une intensité supérieure en vert comparativement au rouge et au bleu, et en attribuant une intensité de zéro aux autres pixels d arrièrre-plan. Les images en couleur furent converties en images monochromes afin d'écourter le calcul informatique lors du développement du réseau neuronal. Le nombre d'images fut quadruplé en tournant l'image dans le sens anti-horaire par 90, 180, et 270 degrés. Des centaines d'images de plants de maïs et de mauvaises herbes furent utilisées pour l'entraînement du modèle. La capacité des modèles à distinguer les mauvaises herbes des plants de maïs fut examinée. Le taux de reconnaissance fut de 100% pour le maïs, de 92% pour l'Abutilon theophrasti, de 62% pour le Chenopodium album, et de 80% pour le Cyperus esculentus. Le modèle a pris moins d'une minute pour gérer 250 images de 80 par 80 pixels. L'incapacité des modèles à classer les mauvaises herbes et les plants de maïs fut attribuée à notre incapacité à utiliser un plus grand nombre de neurones dans la formation des modèles. Ceci est probablement attribuable aux complications occasionnées dans la gestion de la mémoire interne de l'ordinateur.