با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی مکانیک ماشین‌های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

2 گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

در این پژوهش، سامانه‌ای شامل یک افزاینده 15 کیلوولتی برای از بین بردن علف‌های هرز و یک سازوکار بازخوردی برای تشخیص علف‌هرز و نابودی آن با استفاده از پایش جریان الکتریکی مصرفی نابودگر علف‌هرز در گروه ماشین‌های کشاورزی پردیس کشاورزی و منابع طبیعی دانشگاه تهران (سال 1399) توسعه داده شد. اجزای این سامانه بر روی یک سکوی رباتیک خودگردان نصب شد‌ که اطلاعات را بین نرم‌افزار رایانه‌ای و سامانه انتقال می‌داد. طبق شواهد هنگامی که الکترود ولتاژ بالا علف‌های هرز را لمس می‌کرد، جریان افزایش ‌یافته و پس از نابودی علف‌های هرز، جریان کم می‌شد. متوسط انرژی مصرفی برای یک علف هرز 250 ژول تخمین زده شد. بر مبنای مقدار جریان مصرفی، سازوکار بازخوردی برای تشخیص و دریافت بازخورد از نابودی علف‌های هرز واسنجی شد. آزمایش‌های نهایی برای مقایسه کارایی کنترل دو حالت کاری استفاده و عدم استفاده از سازوکار بازخوردی انجام شد و مشخص شد که استفاده از این سازوکار به شکل معنی‌داری کارایی نابودگر علف هرز را افزایش می‌دهد. 

کلیدواژه‌ها

موضوعات

©2021 The author(s). This article is licensed under Creative Commons Attribution 4.0 International License (CC BY 4.0), which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source.

  1. Astatkie, T., Rifai, M., Havard, P., Adsett, J., Lacko-Bartosova, M., & Otepka, P. (2007). Effectiveness of hot water, infrared and open flame thermal units for controlling weeds. Biological Agriculture & Horticulture, 25, 1-12. https://doi.org/10.1080/01448765.2007.10823205
  2. Birrell, S., Hughes, J., Cai, J. Y., & Iida, F. (2020). A field‐tested robotic harvesting system for iceberg lettuce. Journal of Field Robotics, 37, 225-245. https://doi.org/10.1002/rob.21888
  3. Blasco, J., Aleixos, N., Roger, J., Rabatel, G., & Moltó, E. (2002). AE-Automation and emerging technologies: Robotic weed control using machine vision. Biosystems Engineering, 83, 149-157. https://doi.org/10.1006/bioe.2002.0109
  4. Bond, W., & Grundy, A. (2001). Non‐chemical weed management in organic farming systems. Weed Research, 41, 383-405. https://doi.org/10.1046/j.1365-3180.2001.00246
  5. Brighenti, A. M., & Brighenti, D. M. (2009). Weed control in organic soybean using electrical discharge. Ciência Rural, 39(8), 315-2319. https://doi.org/10.1590/S0103-84782009000800007
  6. Derrick, B. (2017). How to compare the means of two samples that include paired observations and independent observations: A companion to Derrick, Russ, Toher and White (2017). The Quantitative Methods for Psychology, 13, 120-126. https://doi.org/10.20982/tqmp.13.2.p120
  7. Diprose, M., Benson, F., & Willis, A. (1984). The effect of externally applied electrostatic fields, microwave radiation and electric currents on plants and other organisms, with special reference to weed control. The Botanical Review, 50, 171-223. https://doi.org/10.1007/BF02861092
  8. Dworak, V., Selbeck, J., Dammer, K. H., Hoffmann, M., Zarezadeh, A. A., & Bobda, C. (2013). Strategy for the development of a smart NDVI camera system for outdoor plant detection and agricultural embedded systems. Sensors, 13, 1523-1538. https://doi.org/10.3390/s130201523
  9. Ehlert, D., Hammen, V., & Adamek, R. (2003). On-line sensor pendulum-meter for determination of plant mass. Precision Agriculture, 4, 139-148. https://doi.org/10.1023/A:1024553104963
  10. Khalil, M., Johnson, T., & Lamar, C. (2005). Comparison of computer‐based and paper‐based imagery strategies in learning anatomy. Clinical Anatomy: The Official Journal of the American Association of Clinical Anatomists and the British Association of Clinical Anatomists, 18, 457-464. https://doi.org/10.1002/ca.20158
  11. Legg, M., & Bradley, S. (2020). Ultrasonic Arrays for Remote Sensing of Pasture Biomass. Remote Sensing, 12, 111. https://doi.org/10.3390/rs12010111
  12. Marx, C., Barcikowski, S., Hustedt, M., Haferkamp, H., & Rath, T. (2012). Design and application of a weed damage model for laser-based weed control. Biosystems Engineering, 113, 148-157. https://doi.org/10.1016/j.biosystemseng.2012.07.002
  13. Morin, L. (2020). Progress in Biological Control of Weeds with Plant Pathogens. Annual review of phytopathology, 58. https://doi.org/10.1146/annurev-phyto-010820-012823
  14. Paap, A. J. (2014). Development of an optical sensor for real-time weed detection using laser based spectroscopy. [Doctoral dissertation, Edith Cowan University]. https://ro.ecu.edu.au/theses/1282
  15. Peltzer, S., Hashem, A., Osten, V., Gupta, M., Diggle, A., Riethmuller, G., Douglas, A., Moore, J., & Koetz, E. (2009). Weed management in wide‐row cropping systems: a review of current practices and risks for Australian farming systems. Crop and Pasture Science, 60, 395-406. https://doi.org/10.1071/CP08130
  16. Rask, A. M., & Kristoffersen, P. (2007). A review of non‐chemical weed control on hard surfaces. Weed Research, 47, 370-380. https://doi.org/10.1111/j.1365-3180.2007.00579.x
  17. Sahin, H., & Yalınkılıc, M. (2017). Using Electric Current as a Weed Control Method. European Journal of Engineering Research and Science, 2, 59-64. https://doi.org/10.24018/ejers.2017.2.6.379
  18. Slaughter, D., Giles, D., & Downey, D. (2008). Autonomous robotic weed control systems: A review. Computers and Electronics in Agriculture, 61, 63-78. https://doi.org/10.1016/j.compag.2007.05.008
  19. Utstumo, T., Urdal, F., Brevik, A., Dørum, J., Netland, J., Overskeid, Ø., Berge, T. W., & Gravdahl, J. T. (2018). Robotic in-row weed control in vegetables. Computers and Electronics in Agriculture, 154, 36-45. https://doi.org/10.1016/j.compag.2018.08.043
  20. Vigneault, C., & Benoît, D. L. (2001). Electrical weed control: theory and applications. Pages 174-188. Physical control methods in plant protection, Springer. https://doi.org/10.1007/978-3-662-04584-8_12
  21. Yuan, W., Li, J., Bhatta, M., Shi, Y., Baenziger, P. S., & Ge, Y. (2018). Wheat height estimation using LiDAR in comparison to ultrasonic sensor and UAS. Sensors, 18, 3731. https://doi.org/10.3390/s18113731
  22. Zwietering, M., Jongenburger, I., Rombouts, F., & Van't Riet, K. (1990). Modeling of the bacterial growth curve. Applied and Environmental Microbiology, 56, 1875-1881. https://doi.org/10.1128/AEM.56.6.1875-1881.1990
CAPTCHA Image