Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
Konferensi Teknologi Informasi dan Komunikasi 2018 (CICT'18)
Deteksi Gulma pada Tanaman Pertanian Menggunakan Paralel
Pengolahan citra
Umamaheswari S
Dept Teknologi Informasi Dept Teknologi Informasi
MIT Kampus Anna University MIT Kampus Anna University
Chennai, India
uma_sai@mitindia.edu
Abstrak— Komunitas manusia dididik tentang masalah lingkungan
dari pestisida dan pupuk yang digunakan dalam pertanian. Ada
permintaan yang terus meningkat untuk makanan yang harus dipenuhi
oleh produsen pertanian. Untuk mengurangi masalah lingkungan dan
mengatasi ketahanan pangan, pertanian presisi berbasis IoT telah
berkembang. Pertanian presisi tidak hanya mengurangi biaya dan limbah,
tetapi juga meningkatkan produktivitas dan kualitas. Kami mengusulkan
suatu sistem untuk mendeteksi dan menemukan tanaman gulma di antara
tanaman pertanian yang dibudidayakan berdasarkan gambar pertanian
yang diambil. Kami juga mengusulkan untuk meningkatkan kinerja sistem
di atas menggunakan pemrosesan paralel di GPU sehingga dapat
digunakan secara real-time. Sistem yang diusulkan mengambil citra lahan
secara real time sebagai masukan untuk klasifikasi dan mendeteksi jenis
dan lokasi gulma pada citra. Pekerjaan yang diusulkan melatih sistem
dengan gambar tanaman dan gulma di bawah kerangka pembelajaran
mendalam yang mencakup ekstraksi fitur dan klasifikasi. Hasilnya dapat
digunakan oleh sistem deteksi gulma otomatis di bawah tugas pertanian
presisi.
Kata kunci— deteksi gulma paralel, Unit Pemrosesan Grafis,
Jaringan Syaraf Konvolusional
AKUPENDAHULUAN
Dengan masalah kekurangan tenaga kerja dan sumber daya
untuk pertanian, perkembangan penyakit tanaman baru dan gulma,
ada kemajuan di bidang pertanian robotik dan pertanian presisi.
Masalah klasifikasi dan deteksi gulma yang efisien terkait erat
dengan masalah pertanian berkelanjutan dan perubahan iklim. Hasil
penelitian menunjukkan bahwa perubahan iklim dapat
memperkenalkan gulma baru dan hibrida ke spesies yang ada. Oleh
karena itu, penting untuk mengembangkan teknologi baru yang
membantu mengidentifikasi gulma yang ada bersama dengan
tanaman pertanian karena dapat mempengaruhi pertumbuhannya.
Deteksi gulma juga berguna untuk menghilangkan gulma, sehingga
mengurangi penggunaan pestisida dan memberikan alternatif yang
efisien pada saat panen tanaman.
Tujuan dari makalah ini adalah untuk menyajikan sistem ujung
ke ujung yang bekerja secara real time dengan mengambil gambar
tanaman pertanian sebagai input dan menghasilkan satu set kotak
pembatas untuk setiap jenis gulma yang terletak di gambar sebagai
output secara langsung. Ini menantang karena perlu membedakan
gulma dari tanaman pertanian dan juga untuk memperkirakan
jumlah gulma yang berbeda dan lokasinya dengan tepat. Makalah ini
mengusulkan pendekatan pembelajaran mendalam yang belajar dari
gambar lapangan berlabel dan mendeteksi gulma yang ada dalam
gambar uji. Meskipun metode yang ada menganggap prediksi atau
klasifikasi sebagai masalah independen dan memerlukan beberapa
preprocessing pada input dan post-processing pada output yang
terdeteksi, metode yang diusulkan tidak menuntutnya. Kontribusi
teknis dari makalah ini melibatkan mendefinisikan
978-1-5386-8215-9/18/$31.00 ©2018 IEEE
Arjun R Meganathan D
Jurusan Teknik Elektronika
Kampus MIT Anna University
Chennai, India Chennai, India
arjun3596@gmail.com meganathan_phd@annauniv.edu
metrik untuk evaluasi dan perbandingan berbagai algoritme
dalam tugas diskriminasi tanaman/gulma.
Sisa kertas ini disusun sebagai berikut. Pekerjaan terkait
yang ada disurvei dan disajikan pada bagian II. Arsitektur
dan deskripsi dari sistem yang diusulkan dirinci dalam
bagian III. Hasil percobaan disajikan pada bagian IV dan
dibandingkan. Bagian V membahas hasil dari sistem yang
diusulkan. Bagian VI menyimpulkan pekerjaan yang
diusulkan dan menyebutkan arah masa depan.
II. RGEMBIRAWORK
Tugas pemrosesan gambar dan visi komputer telah digunakan
untuk klasifikasi tanaman dan diskriminasi tanaman/gulma di
berbagai tingkatan.
Ketika mempertimbangkan hanya sistem klasifikasi tumbuhan B.
Yanikoglu dan E. Aptoula [4] mengusulkan sistem identifikasi tumbuhan
untuk mengidentifikasi tumbuhan secara otomatis dalam gambar yang
diberikan. CM Zhai dan JX Du [5] mengembangkan algoritma
pembelajaran mesin yang dikenal sebagai Extreme Learning Machine
(ELM) untuk mengklasifikasikan tanaman dengan mengekstraksi fitur
tekstur Gabor dari tanaman/daun. Pendekatan ini digunakan bersama
dengan pekerjaan lain [13,15,10] memiliki batasan bahwa inputnya adalah
daun bidang yang ditangkap dalam latar belakang yang seragam.
Selanjutnya pendekatan ini hanya berkonsentrasi pada klasifikasi
tanaman pada metode yang berbeda dan memiliki kelemahan tidak dapat
diterapkan secara real-time karena masalah segmentasi individu daun
dari gambar dedaunan di lapangan.
A. Ozdemir dan T. Altiler [1] mengusulkan deteksi gulma
sistem menggunakan citra hiperspektral berbasis lapangan dari
lahan tanaman jagung Sistem melibatkan langkah-langkah
preprocessing dan normalisasi diikuti dengan klasifikasi
menggunakan SVM/LDA. D. Seatovic, H. Kutterer dan T. Anken [6]
mengusulkan sebuah sistem menggunakan gambar 3D dari tanaman
dan bidang permukaan untuk mengidentifikasi daun lebar dari
rerumputan. AH Kargar B, AM Shirzadifar [3] mengembangkan
metode deteksi dan klasifikasi gulma baru menggunakan
J. Pan, M. Huang, dan Y.
transformasi wavelet dan operasi morfologi.
Dia [9] menggunakan operasi morfologi dan JST untuk
membedakan tanaman antara dua gulma yang serupa dalam
bentuk dan warna. S. Haug, J. Ostermann, dan R. Bosch [17]
mengusulkan pendekatan visi mesin tanpa mensegmentasi daun
individu. Pengklasifikasi Hutan Acak digunakan untuk
mengklasifikasikan fitur yang diekstraksi dari posisi piksel jarang
dalam gambar. Pendekatan ini dengan karya lain [11,12] berbagi
keterbatasan umum seperti melibatkan perhitungan intensif baik
untuk pra-pemrosesan atau pasca-pemrosesan gambar,
kerumitan dalam proses akuisisi gambar, kebutuhan untuk
anotasi manual dan pembatasan jumlah gulma yang terbatas.
 H. Yalcin dan S. Razavi [7] mengusulkan sebuah tanaman
sistem klasifikasi menggunakan jaringan saraf Convolutional. P. Sermanet
et al [14] mempresentasikan kerangka kerja terintegrasi untuk
menggunakan jaringan saraf Convolutional untuk klasifikasi, lokalisasi dan
deteksi. Mereka juga mengusulkan ekstraktor fitur yang disebut Overfeat.
R. Stewart dan M. Andriluka [16] mengembangkan pendekatan ujung ke
ujung untuk mendeteksi orang di tempat ramai dengan algoritma yang
dimodifikasi yang disebut GoogleNet-Overfeat. Pendekatan ini dengan
karya lain [2] membuktikan keberhasilan penggunaan jaringan saraf
Convolutional dalam aplikasi pemrosesan gambar seperti klasifikasi dan
deteksi objek. Selanjutnya, A. Ozdemir dan T. Altiler [1] membandingkan
berbagai teknik pemrosesan gambar paralel berbasis GPU untuk
menganalisis pertumbuhan tanaman. Dalam Kyu Park et al [8]
mengevaluasi berbagai algoritma pemrosesan citra pada GPU
menggunakan CUDA.
Pendekatan yang diusulkan menggunakan Convolutional Neural Networks
dan GPU untuk memecahkan masalah yang ada dalam deteksi gulma dan
mengembangkan sistem untuk bekerja secara real time.
AKU AKU AKU. PARALLELISEDWEEDDETEKSISYSTEM
Parallelised Weed Detection System (PWDS)
diimplementasikan menggunakan Convolutional Neural
Networks untuk mengembangkan sistem deteksi gulma yang
kuat, terukur, dan real-time. Arsitektur Sistem Deteksi Gulma
Paralelis yang diusulkan ditunjukkan pada Gambar 1.
Gambar 1. Arsitektur Sistem Deteksi Gulma Paralel
Modul akuisisi gambar pada Gambar 1 terdiri dari
pengumpulan gambar waktu nyata dari peternakan wortel tanpa
memerlukan kamera inframerah khusus atau pra-pemrosesan
gambar. Modul pelabelan gambar melibatkan klasifikasi gambar
yang diawasi dengan mengelompokkannya ke dalam direktori
terpisah. Kumpulan data adalah direktori berlabel yang berisi
gambar beranotasi. Anotasi melibatkan identifikasi wilayah di
mana gulma ada di setiap gambar yang disediakan dalam set
pelatihan. Kotak pembatas dibuat dan koordinat disimpan dalam
file JSON. Lagi
dari satu persegi panjang dapat disimpan untuk setiap gambar yang
menunjukkan daerah memiliki objek yang diinginkan dan mesin
mempelajari fitur dari mereka. Demikian pula, gambar keluaran
terdiri dari kotak pembatas yang diprediksi yang menemukan gulma
yang ada di gambar. Gambar keluaran sampel di mana gulma
terdeteksi di antara tanaman wortel diberikan pada Gambar 2.
Gambar 2. Deteksi gulma pada tanaman wortel pada dataset natural
Modul ekstraksi fitur yang terdiri dari beberapa modul
dan layer Convolutional Neural Network diimplementasikan
dengan menggunakan model Googlenet-Overfeat dalam
framework TensorFlow. Rincian arsitektur jaringan diberikan
dalam [16].
IV. ePERCOBAANRHASIL
A. Metrik Evaluasi
Sistem yang diusulkan dilatih menggunakan dataset standar
yang disediakan oleh [17]. Ini juga digunakan untuk perbandingan
kinerja dengan Sistem Deteksi Gulma Paralelis (PWDS) yang
diusulkan. Kami mendefinisikan metrik untuk evaluasi sebagai
True Positive(TP): Gulma terdeteksi oleh sistem
False Positive(FP) : Tanaman terdeteksi oleh sistem
True Negative(TN): Pangkas tidak terdeteksi oleh sistem
False Negative(FN): Gulma tidak terdeteksi oleh sistem
Presisi dan ingatan adalah ukuran relevansi. Presisi
didefinisikan sebagai fraksi instans yang relevan di antara
instans yang diambil dan dihitung menggunakan (1).
Presisi = (TP)/(TP+FP) (1)
Penarikan kembali didefinisikan sebagai bagian dari instans
relevan yang telah diambil dari jumlah total instans relevan dan
dihitung menggunakan (2)
Ingat = (TP)/(TP+FN) (2)
Akurasi adalah ukuran statistik dan digunakan untuk mengukur
seberapa benar tes klasifikasi mendeteksi suatu kondisi. Ini adalah
proporsi hasil yang diklasifikasikan dengan benar di antara jumlah
total kasus yang diperiksa. Akurasi dihitung menggunakan (3)
Akurasi = (TP+TN)/(TP+TN+FP+FN) (3)
 B. Evaluasi Kinerja Perbandingan waktu pelatihan dengan sistem paralel yang
diimplementasikan menggunakan GPU ditunjukkan pada Tabel II.
Sistem deteksi gulma yang diusulkan diparalelkan dan
diimplementasikan dalam framework TensorFlow. Hasil
eksperimen selama pelatihan dan evaluasi dataset standar di
TABEL II. CPERBANDINGAN WAKTU LATIHAN YANG DIUSULKAN
[17] di bawah PWDS yang diusulkan ditunjukkan pada Tabel PARALLELISEDWEEDDETEKSISYSTEM(PWDS)DENGANGPU
I.

Nomor Waktu yang dibutuhkan Waktu yang dibutuhkan Mempercepat

TABEL I. RHASIL SELAMA PELATIHAN YANG DIUSULKAN dari Iterasi dalam CPU (min) dalam GPU (min )
PARALLELISEDWEEDDETEKSISYSTEM(PWDS)

Jumlah dari BENAR BENAR PALSU PALSU Mengingat Presisi 10.000 655 340 1,92x
Iterasi Positif Negatif Positif Negatif % %

5000 88 33 19 22 80.0 82.2 20.000 1279 659 1,94x

10.000 91 36 14 21 81.2 86.6 30.000 1895 976 1,94x

22000 90 46 10 16 84.9 90.0 Dari Gambar 3 dapat disimpulkan bahwa sistem yang
diusulkan mencapai daya ingat dan presisi yang lebih
30000 92 47 9 14 86.8 91.1 baik daripada sistem yang ada pada [17]. Selanjutnya
ditemukan bahwa sistem mampu mendeteksi gulma yang
bahkan tidak dianotasi [17]. Hal ini disebabkan perbedaan
Nilai presisi dan perolehan dari sistem PWDS yang diusulkan metode yang digunakan untuk deteksi. Sistem klasifikasi
dibandingkan dengan hasil sistem Klasifikasi Tumbuhan untuk tanaman untuk pendeteksian tanaman/gulma pada [17]
diskriminasi Tanaman/Gulma pada [17] dan ditunjukkan pada menggunakan fitur informasi spesifik kedua tanaman
Gambar 3. seperti panjang penghitung, area, kekompakan dan
informasi piksel seperti intensitas dan distribusinya. Fitur
spesifik tanaman dapat bervariasi untuk setiap tanaman
secara real time yang mengurangi akurasi. Padahal,
sistem deteksi gulma waktu nyata yang diusulkan hanya
menggunakan piksel citra input sebagai neuron dan
menggunakan jaringan saraf untuk melatih dan
mendeteksi gulma.

Tabel I menunjukkan bahwa peningkatan jumlah

Gambar 3. Perbandingan presisi dan daya ingat
Juga akurasi deteksi gulma oleh PWDS yang diusulkan
dihitung menggunakan (3) dan dibandingkan dengan metode
yang ada [17]pada Gambar 4. Meskipun keakuratan sistem yang
diusulkan setara dengan sistem yang ada, sistem ini
mengungguli sistem yang ada dalam hal presisi dan daya ingat.
iterasi meningkatkan kinerja sistem. Perlu dicatat bahwa
false positive dan false negative berkurang dengan
peningkatan iterasi yang sangat penting dalam
mengimplementasikan sistem secara real time.
Mengurangi jumlah positif palsu sangat penting karena
sistem tidak boleh mendeteksi tanaman sebagai gulma
karena mempengaruhi kegunaan sistem. Lebih lanjut
terbukti bahwa nilai presisi dan perolehan meningkat
seiring dengan peningkatan jumlah iterasi karena
berbanding terbalik dengan nilai positif palsu dan negatif
palsu masing-masing. Dengan demikian jumlah iterasi
memainkan faktor penting dalam menentukan kinerja
sistem dan berbanding lurus dengan metrik presisi dan
daya ingat. Dengan bertambahnya jumlah iterasi, waktu
eksekusi juga bertambah.
Dari Tabel II, dapat diamati bahwa terdapat perbedaan waktu
yang mencolok antara usulan sistem deteksi gulma real-time di
bawah CPU dan GPU untuk dataset yang sama. Jelas bahwa waktu
yang dibutuhkan untuk melatih sistem di bawah CPU inti Intel i5
normal hampir dua kali lipat waktu yang dibutuhkan oleh sistem
yang sama yang didukung dengan GPU. Perbedaan tersebut
dikarenakan paralelisasi menggunakan library CuDNN pada
pengolah grafis Nvidia GeForce GT610.

V.DPERMASALAHAN
Sistem deteksi gulma baru diusulkan dengan aplikasi di
lahan tanaman wortel. Hasil yang ditunjukkan pada bagian
Gambar 4. Akurasi deteksi gulma sebelumnya mengungkapkan bahwa sistem memberikan presisi
sebesar 91,1% untuk citra lahan wortel dimana gulma berdekatan dengan
tanaman, keduanya berukuran sama dan saling tumpang tindih.
Sebagian besar karya yang ada tidak membahas kondisi ini. Mereka
gagal mengenali tanaman / gulma saat keduanya tumpang tindih. Ketika
pendekatan tersebut mencoba mengklasifikasikan hanya segmen gulma
besar yang tidak tumpang tindih, hal itu mengakibatkan hilangnya akurasi
yang besar. Hasil berbasis per sel diberikan yang tidak cocok dalam
perawatan mekanis waktu nyata untuk menghilangkan gulma.
Sistem yang diusulkan mengatasi masalah ini. Tidak perlu
melakukan segmentasi tanaman/daun sebelum klasifikasi. Ini
menampilkan gambar dengan kotak pembatas di atas gulma.
Keunggulan ini dimungkinkan karena sistem secara otomatis
mengekstraksi fitur dari citra tanpa perlu bantuan manusia. Lebih
lanjut, sistem ini kuat dan dapat diskalakan sehingga dapat belajar
mendeteksi jenis gulma baru apa pun. Evaluasi membuktikan bahwa
sistem deteksi gulma waktu nyata untuk tanaman pertanian
komersial dimungkinkan dengan metode yang diusulkan dan presisi
tinggi tercapai.
Keluaran dari sistem yang diusulkan dapat membantu robot untuk
mencabut gulma secara selektif. Selain itu, output membantu dalam
menemukan cakupan gulma, tahap tanaman gulma (tahap awal atau
tahap dewasa) dan rasio tanaman/gulma yang dapat membantu petani
dalam pengambilan keputusan teknik yang akan digunakan atau untuk
perangkat yang digunakan dalam pertanian presisi berbasis IoT.
Keterbatasan dalam sistem yang diusulkan adalah bahwa kotak pembatas
yang diprediksi sebagian dapat tumpang tindih dengan tanaman karena
jaraknya yang sangat dekat. Namun ini tidak bisa menjadi kerugian dalam
pengendalian gulma di pertanian presisi. Di sini deteksi gulma adalah
yang paling penting.
VI. CKESIMPULAN
Sistem deteksi gulma yang bekerja secara real time tanpa
perlu menyegmentasikan tanaman atau daun diusulkan.
Ekstraksi dan deteksi fitur malah dilakukan menggunakan
Convolutional Neural Networks tanpa bantuan manusia. Metode
yang diusulkan dapat digunakan di lapangan nyata di mana
gulma disesaki tanaman budidaya. Gambar keluaran dari sistem
deteksi gulma dapat digunakan untuk pengobatan gulma secara
selektif.
Untuk mengevaluasi sistem, dataset standar gambar yang
disediakan di [17] dan gambar yang diambil di lapangan tanaman
wortel pada kondisi yang berbeda digunakan. Kinerja dianalisis
dengan melatih sistem yang diusulkan dengan gambar masukan
yang dianotasi secara manual dan membandingkan gambar
keluaran dengan gambar ground truth berlabel ahli. Hasil analisis
menunjukkan bahwa sistem yang diusulkan mencapai presisi 91,1%.
Di masa mendatang, sistem akan dilatih dengan dataset gambar
input yang besar untuk mendeteksi berbagai jenis gulma sehingga dapat
digunakan secara real-time.
RREFERENSI
[1] A. Ozdemir dan T. Altiler, “Pemrosesan Gambar Paralel Berbasis GPU untuk Analisis
Pertumbuhan Tanaman”, Konferensi Internasional Ketiga IEEE tentang Agro-
geoinformatika, 2014.
[2] A. Ozdemir dan T. Altiler, “Pemrosesan Gambar Paralel Berbasis GPU untuk Analisis
Pertumbuhan Tanaman”, Konferensi Internasional Ketiga IEEE tentang Agro-
geoinformatika, 2014.
[3] A. Krizhevsky, I Sutskever, dan GE Hinton , "Klasifikasi ImageNet
dengan Jaringan Neural Konvolusional Dalam", Prosiding
Konferensi Internasional ke-25 tentang Sistem Pemrosesan
Informasi Neural, hal.1097-1105
[4] AH Kargar B, AM Shirzadifar, "Sistem Deteksi Gulma Otomatis dan
Robot Penyemprot Herbisida Cerdas untuk Ladang Jagung", Proc.
2013 RSI/ISM Int. Konf. tentang Robotika dan Mekatronika, 2013,
hlm. 468-473.
[5] B. Yanikoglu dan E. Aptoula, C. Tirkaz , “Identifikasi tanaman
otomatis dari foto” Journal of Machine Vision and Applications,
vol. 25, no.6, hlm.1369–1383, 2014.
[6] CM Zhai dan JX Du, "Menerapkan Mesin Pembelajaran Ekstrim untuk
Identifikasi Spesies Tanaman", Prosiding Konferensi Internasional
IEEE tentang Informasi dan Otomasi 20 -23 Juni 2008.D. Seatovic, H.
Kutterer dan T. Anken, "Deteksi dan Perawatan Gulma Otomatis di
Padang Rumput", Prosiding IEEE ELMAR, 2010, hlm.65-68.
[7] H. Yalcin dan S. Razavi , “Klasifikasi Tumbuhan menggunakan Jaringan Syaraf
Konvolusional”, Konferensi Internasional Kelima IEEE tentang Agro-
Geoinformatika, 2016.
[8] Di Kyu Park, N. Singhal, Man Hee Lee, Sungdae Cho, dan CW Kim,
“Evaluasi Desain dan Kinerja Algoritma Pemrosesan Gambar
pada GPU”, Transaksi IEEE Sistem Paralel dan Terdistribusi, vol.
22, tidak. l, hlm. 91-104, Jan. 2011.
[9] J. Pan, M. Huang, dan Y. He, "Crop and Weed Image Recognition by
Morphological Operations and ANN model", Prosiding IEEE
Instrumentation and Measurement Technology Conference - IMTC
pp.1-4, 2007.
[10] L. Gao dan X. Lin, "Sebuah Studi tentang Sistem Pengenalan Otomatis
Tanaman Obat", Prosiding Konferensi Internasional ke-2 tentang
Elektronik Konsumen, Komunikasi dan Jaringan, hal.101-103, 2012.
[11] Md Mursalin, Md. Mesbah-Ul-Awal, “Towards Classification of Weeds
through Digital Image”, Konferensi Internasional Keempat tentang
Teknologi Komputasi & Komunikasi Tingkat Lanjut, hal.1-4, 2014.
[12] MM Mustafa, A. Hussain, KH Ghazali, and S. Riyadi,
“Implementation of Image Processing Technique in Real Time
Vision System for Automatic Weeding Strategy”, IEEE
International Symposium on Signal Processing and Information
Technology, pp 1-4, 2007.
[13] N.Valliammal dan SNGeethalakshmi, "Algoritma Segmentasi Gambar
Hibrid untuk Pengenalan dan Karakterisasi Daun", Konferensi
Internasional IEEE tentang Kontrol dan Komputasi Otomasi Proses,
hlm. 1-6, 2011
[14] P. Sermanet, D. Eigen, X. Zhang, M. Mathieu, R. Fergus, dan
Y. LeCun “OverFeat:Integrated Recognition, Localization and
Detection using Convolutional Networks” International Conference
on Learning Representations (ICLR2014), CBLS, April 2014, hlm 1- 12
[15] R. Hu, W. Jia, H. Ling, dan D. Huang, "Matriks Jarak Multiskala untuk
Pengenalan Daun Tanaman Cepat", Transaksi IEEE Pada Pemrosesan
Gambar, vol. 21, tidak. 11, hlm. 4667 - 4672, 2012.
[16] R. Stewart dan M. Andriluka, “End-to-end people detection in crowd
scenes”, IEEE Conference on Computer Vision and Pattern
Recognition (CVPR), hlm 1-9, 2016.
[17]S. Haug, J. Ostermann, dan R. Bosch, "Dataset Gambar Tanaman /
Lapangan Gulma untuk Evaluasi Tugas Pertanian Presisi Berbasis Visi
Komputer" Jurnal tentang Visi Mesin dan Aplikasi , vol. 8928, hlm.
105–116, 2014.