افشین عزیزی؛ یوسف عباسپور گیلانده؛ ترحم مصری گندشمین؛ حمید ابریشمی مقدم
چکیده
سطح یک خاک خاکورزی شده مملو از خاکدانهها و کلوخههایی است که دارای اندازههای مختلف میباشند به گونهایکه اندازه آنها از نظر کیفیت خاکورزی و میزان مصرف انرژی در آمادهسازی بستر بذر از اهمیت بهسزایی برخوردار است. در این پژوهش طبقهبندی کلوخههای حاصل از خاکورزی از طریق بینایی استریو بر اساس طول، عرض و ارتفاع آنها ...
بیشتر
سطح یک خاک خاکورزی شده مملو از خاکدانهها و کلوخههایی است که دارای اندازههای مختلف میباشند به گونهایکه اندازه آنها از نظر کیفیت خاکورزی و میزان مصرف انرژی در آمادهسازی بستر بذر از اهمیت بهسزایی برخوردار است. در این پژوهش طبقهبندی کلوخههای حاصل از خاکورزی از طریق بینایی استریو بر اساس طول، عرض و ارتفاع آنها مورد توجه قرار گرفته است. از بین این ابعاد، محاسبه ارتفاع (ضخامت) کلوخهها همواره با چالش روبهرو بوده است؛ چرا که محاسبه آن که در اصطلاح پردازش تصویر به عمق تصویر معروف است، با یک تصویر تکی غیرممکن و یا بسیار سخت میباشد که برای این به سهبعدیسازی تصویر نیاز است. در این مطالعه یک مجموعه داده تصاویر استریو از سطح خاک در زمین زراعی تهیه گردید. تعداد این زوج تصاویر استریو برابر 312 جفت بود که برای بازسازی سهبعدی آنها بهترتیب عملیات کالیبراسیون، استخراج نقاط کلیدی از زوج تصاویر استریو، تطابق نقاط یافته شده و محاسبه مدل ابر نقطهای روی آنها انجام پذیرفت و تصاویر به شکل سهبعدی درآمدند. با بهدست آمدن تصویر سهبعدی ارتفاع کلوخهها محاسبه شدند و نهایتاً با در اختیار داشتن این اطلاعات و نیز استفاده از مدل تحلیل تمییزی بهعنوان یک دستهبند خطی، کلوخهها با اندازههای گوناگون طبقهبندی شدند. بالاترین دقت طبقهبندی 2/96% و نیز دقت کلی طبقهبندی برابر 7/83% بهدست آمد. نتایج این مطالعه نشان داد رویکرد بینایی استریو میتواند با تعیین ابعاد کلوخهها بهویژه ارتفاع آنها در کیفیتسنجی عملیات خاکورزی بهصورت رضایتبخشی مورد استفاده قرار گیرد.
محمد کاوه؛ یوسف عباسپور گیلانده؛ رضا امیری چایجان؛ رضا محمدی گل
چکیده
هدف از این پژوهش، مقایسه برآورد نسبت رطوبت سیر و موسیر در طی فرآیند خشک کردن توسط خشککن بسترسیال با استفاده از روشهای مدلسازی ریاضی، شبکههای عصبی مصنوعی و منطق فازی میباشد. فرآیند خشککردن در سه سطح دمایی (40، 55 وC °70) و سه سطح سرعت هوای ورودی (5/0 و 5/1 و ms-15/2) صورت گرفت. از 5 مدل ریاضی خشککردن جهت پیش بینی نسب رطوبت سیر و موسیر ...
بیشتر
هدف از این پژوهش، مقایسه برآورد نسبت رطوبت سیر و موسیر در طی فرآیند خشک کردن توسط خشککن بسترسیال با استفاده از روشهای مدلسازی ریاضی، شبکههای عصبی مصنوعی و منطق فازی میباشد. فرآیند خشککردن در سه سطح دمایی (40، 55 وC °70) و سه سطح سرعت هوای ورودی (5/0 و 5/1 و ms-15/2) صورت گرفت. از 5 مدل ریاضی خشککردن جهت پیش بینی نسب رطوبت سیر و موسیر استفاده شد. سرعت هوای ورودی، دمای هوای ورودی و زمان خشککردن بهعنوان پارامترهای ورودی در پیشبینی نسبت رطوبت، برای شبکههای عصبی مصنوعی و منطق فازی مورد استفاده قرار گرفت. برای ایجاد الگوهای آموزشی و ارزیابی فرآیند، از شبکه عصبی پس انتشار پیشخور و پیشرو با توابع آموزش لونبرگ- مارکوارت (LM) و تنظیم بیزی (BR) و همچنین از سیستم استنتاجی فازی ممدانی و بهکارگیری تابع عضویت مثلثی برای مدلسازی استفاده شد. با توجه به نتایج بهدست آمده، بهترین مدل برای پیشبینی خشک کردن سیر مدل (Page) و برای موسیر مدل Midilli و همکاران انتخاب شد. نتایج بررسیهای شبکه عصبی مصنوعی نشان داد که بهترتیب ضرایب تبیین 9994/0 و 9996/0، ریشه خطای میانگین مربعات 0036/0 و 0014/0 و میانگین خطای مطلق 044/0 و 038/0 در شرایط مختلف خشککردن سیر و موسیر را پیشبینی نماید. همچنین سیستم استنتاجی فازی این مقادیر را برای سیر و موسیر بهترتیب (ضرایب تبیین 9997/0 و 9998/0، ریشه خطای میانگین مربعات 0027/0 و 0011/0 و میانگین خطای مطلق 032/0 و 029/0) بهدست آورد. مقایسه نتایج بهدست آمده از مدلهای ریاضی، شبکههای عصبی مصنوعی و منطق فازی نشان داد که ریشه خطای میانگین مربعات در منطق فازی کمتر از شبکههای عصبی مصنوعی و مدلهای ریاضی است.
سجاد سبزی؛ یوسف عباسپور گیلانده؛ حسین جوادی کیا
چکیده
مبارزه هدفمند با علفهای هرز یکی از اهداف اصلی در کشاورزی دقیق میباشد. یکی از روشهایی که مبارزه هدفمند را اجرایی میکند استفاده از سیستمهای بینایی ماشین میباشد. بههمین دلیل در این مطالعه یک سیستم بینایی ماشین مبتنی بر طبقهبند هیبرید شبکه عصبی مصنوعی– الگوریتم شبیهسازی تبرید-الگوریتم ژنتیک بهمنظور سمپاشی خاص ...
بیشتر
مبارزه هدفمند با علفهای هرز یکی از اهداف اصلی در کشاورزی دقیق میباشد. یکی از روشهایی که مبارزه هدفمند را اجرایی میکند استفاده از سیستمهای بینایی ماشین میباشد. بههمین دلیل در این مطالعه یک سیستم بینایی ماشین مبتنی بر طبقهبند هیبرید شبکه عصبی مصنوعی– الگوریتم شبیهسازی تبرید-الگوریتم ژنتیک بهمنظور سمپاشی خاص مکانی براساس فیلمبرداری در مزرعه ارائه گردید. بهمنظور آموزش الگوریتم سیستم بینایی ماشین، فیلمبرداری از مزارع سیبزمینی رقم مارفونا واقع در استان کرمانشاه که در هفته ششم از مرحله رشد بودند انجام گرفت. مساحت مربوط به این مزارع 4 هکتار بود. در این مزارع دو نوع علف هرز با عناوین گلگندم و پنیرک وجود داشتند. بهمنظور بررسی پیچیدهترین شرایط کاری سیستم بینایی ماشین، پلتفرم با سرعت 103/0 متر بر ثانیه در شرایط نور طبیعی مزرعهای یعنی شدت نور 1820 لوکس فیلمهای مزرعهای را جمعآوری کرد. در نهایت از ویدئوهای مزرعهای 2581 شیء (به پیکسلهای بههم پیوسته در یک فریم شیء گفته میشود) استخراج گردید که 1806 شیء جهت آموزش الگوریتم سیستم بینایی ماشین و 775 شیء باقیمانده جهت تست آن مورد استفاده قرار گرفت. از میان 206 خصوصیت استخراجی از هر شی، 6 خصوصیت مولفه دوم اضافی در فضای رنگی YCbCr، شاخص سبز منهای آبی فضای رنگی RGB، مجموع آنتروپی همسایگی 45 درجه، مومنت قطری همسایگی صفر درجه، آنتروپی همسایگی 45 درجه، شاخص مؤلفه سوم اضافی فضای رنگی CMY با استفاده از روش هیبرید ANN-PSO انتخاب شدند. نتایج نشان داد که سیستم طبقهبند با دقت 61/99 درصد قادر به طبقهبندی نمونههای مربوط به سه کلاس گیاه سیبزمینی، گلگندم و پنیرک میباشد.
رضا صدقی؛ یوسف عباسپور گیلانده
چکیده
ایجاد ساختمان مناسب برای خاک به منظور رشد محصول از اهمیت زیادی برخوردار است و یکی از مشخصه های اصلی ساختمان خاک، اندازه خاک دانهها می باشد. راه های مختلفی جهت نشان دادن وضعیت پایداری خاک دانهها وجود دارد که از متداول ترین آنها می توان به تعیین میانگین وزنی قطر خاک دانه ها اشاره کرد. در این مقاله از روش سیستم استنتاج فازی بر پایه شبکه ...
بیشتر
ایجاد ساختمان مناسب برای خاک به منظور رشد محصول از اهمیت زیادی برخوردار است و یکی از مشخصه های اصلی ساختمان خاک، اندازه خاک دانهها می باشد. راه های مختلفی جهت نشان دادن وضعیت پایداری خاک دانهها وجود دارد که از متداول ترین آنها می توان به تعیین میانگین وزنی قطر خاک دانه ها اشاره کرد. در این مقاله از روش سیستم استنتاج فازی بر پایه شبکه عصبی تطبیقی (ANFIS) برای توصیف میزان خرد شدن خاک در ترکیب ادوات خاک ورزی اولیه و ثانویه شامل زیرشکن، گاوآهن برگرداندار و دیسک ثانویه به منظور تهیه زمین برای کاشت محصولات زراعی استفاده شد. سیستم استنتاج فازی- عصبی تطبیقی روش مناسبی برای حل مسائل غیرخطی است. ANFIS ترکیبی از روش استنتاج فازی (FIS) و شبکه عصبی مصنوعی (ANN) است که از توانایی هر دو مدل بهره می برد. در این تحقیق، ورودی های مدل شامل محتوی رطوبتی خاک، سرعت پیشروی تراکتور و لایه های عمقی شخم بود. برای ارزیابی عملکرد مدل از پارامترهای مجذور میانگین مربعات خطا (RMSE)، درصد خطای نسبی (ε)، میانگین خطای مطلق (MAE) و ضریب تبیین (R2) استفاده شد که به ترتیب 135/0، 6/3%، 122/0 و 981/0 به دست آمد. به-منظور ارزیابی مدل ANFIS، داده های به دست آمده از این مدل با داده های مدل شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. مقایسه نتایج به-دست آمده از مدل فازی- عصبی و شبکه عصبی مصنوعی نشان داد که مدل ANFIS داده های نزدیکتری به داده های واقعی در مقایسه با مدل شبکه عصبی مصنوعی ارائه کرد.
یوسف عباسپور گیلانده؛ رضا صدقی
چکیده
در این تحقیق از سیستم مبتنی بر دانش یا قواعد دادههای آزمایشی و با استفاده از منطق فازی به منظور پیشبینی نیروی مقاوم کششی و انرژی مورد نیاز عملیات خاک ورزی استفاده شده است. در مقایسه با روشهای سنتی (رگرسیونی)، منطق فازی در ایجاد ارتباط بین ورودیهای چندگانه به یک سیگنال خروجی در دامنه غیرخطی بسیار مؤثرتر عمل میکند. آزمایشها ...
بیشتر
در این تحقیق از سیستم مبتنی بر دانش یا قواعد دادههای آزمایشی و با استفاده از منطق فازی به منظور پیشبینی نیروی مقاوم کششی و انرژی مورد نیاز عملیات خاک ورزی استفاده شده است. در مقایسه با روشهای سنتی (رگرسیونی)، منطق فازی در ایجاد ارتباط بین ورودیهای چندگانه به یک سیگنال خروجی در دامنه غیرخطی بسیار مؤثرتر عمل میکند. آزمایشها به منظور جمعآوری دادههای مورد نیاز در خاک با بافت شنیلومی در مرکز تحقیقات و ترویج دانشگاه کلمسون در نزدیکی شهر بلک ویل ایالت کارولینای جنوبی آمریکا ("21 ˚33 شمالی و "18 ˚81 غربی) انجام شد. در این مقاله، از یک مدل هوشمند، بر اساس رویکرد اصول مدل فازی ممدانی استفاده شد. این مدل فازی شامل 25 قانون میباشد. در این تحقیق، استنتاج ماکسیمم- مینیمم ممدانی برای استنتاج مکانیزم (ترکیب قواعد با ورودی فازی) و روش غیر فازی ساز مرکز ثقل برای غیر فازی سازی (تبدیل خروجی نهایی سیستم به یک عدد کلاسیک) مورد استفاده قرار گرفت. اعتبار مدل ارائه شده از طریق معیار خطای عددی مبتنی بر دادههای تجربی به دست آمد. نتایج پیشبینی با استفاده از مدل فازی مقادیر بسیار نزدیکی را بین مقادیر اندازهگیری شده و مقادیر پیشبینی شده نشان داد. به طوری که میانگین خطای نسبی مقادیر اندازهگیری شده و پیشبینی شده با استفاده از مدل فازی 1/3% برای نیروی مقاوم کششی و 94/2% برای انرژی مورد نیاز عملیات زیرشکنی به دست آمد. مقایسه نتایج به دست آمده از مدل فازی و مدل رگرسیونی به منظور پیشبینی نیروی مقاوم کششی و انرژی مورد نیاز عملیات زیرشکنی نشان داد میانگین خطاهای نسبی در مدلهای رگرسیونی بزرگتر از مدل پیشبینی فازی میباشد.