پردازش تصویر
علی یوسفوند؛ جعفر امیری پریان
چکیده
کنترل بیماری‌ها و آفات گردو مستلزم تعیین نقشه گستردگی آلودگی‌ها در کمترین زمان ممکن می‌باشد. پردازش تصویر به‌عنوان رویکردی برای تعیین میزان و نوع آسیب‌دیدگی محصولات مختلف در مزارع و باغات ارائه شده است. هدف از انجام این پژوهش، تشخیص بیماری آنتراکنوز برگ درختان گردو با استفاده از روش پردازش تصویر می‌باشد. تشخیص بیماری در باغ ...
بیشتر
کنترل بیماری‌ها و آفات گردو مستلزم تعیین نقشه گستردگی آلودگی‌ها در کمترین زمان ممکن می‌باشد. پردازش تصویر به‌عنوان رویکردی برای تعیین میزان و نوع آسیب‌دیدگی محصولات مختلف در مزارع و باغات ارائه شده است. هدف از انجام این پژوهش، تشخیص بیماری آنتراکنوز برگ درختان گردو با استفاده از روش پردازش تصویر می‌باشد. تشخیص بیماری در باغ و با استفاده از تصاویر گرفته شده از برگ‌های واقع بر روی درخت انجام گرفت تا با عملیاتی با بار محاسباتی اندک و الگوریتمی به دور از پیچیدگی محاسباتی، زمینه لازم برای طراحی نرم‌‌افزارهای کاربردی بر روی سامانه‌های مکاترونیکی هوشمند فراهم گردد. بدین منظور تصاویری از برگ‌های سالم گردو و همچنین نقاط آلوده به بیماری آنتراکنوز گرفته شد. الگوریتم شناسایی بیماری آنتراکنوز مبتنی بر ویژگی‌های رنگی و شکل‌شناسی برگ‌ها و لکه‌های ناشی از بیماری بود. نتایج حاصل از ارزیابی روش ارائه شده برای تشخیص بیماری آنتراکنوز، دقت تفکیک 98 درصد را نشان داد. شدت آلودگی محاسبه شده توسط الگوریتم با شدت آلودگی حقیقی مقایسه شد و نتایج استفاده از آزمون توزیع t برای مقایسه میانگین دو نمونه (شدت آلودگی محاسبه شده توسط الگوریتم و شدت آلودگی حقیقی) نشان داد که بین دو گروه در سطح احتمال 01/0 اختلاف معنی‌داری وجود ندارد.
احمد حیدری؛ جعفر امیری پریان
چکیده
وجود کارهای تکراری، سخت و طاقت‌فرسا و بعضاً خطرناک در محیط گلخانه هم‌چون سم‌پاشی و برداشت، استفاده از ربات را در گلخانه ضروری نموده است. ساختار مکانیکی و الگوریتم ناوبری دو فاکتور مهم در طراحی و ساخت ربات‌های گلخانه می‌باشند. در این پروژه یک ربات متحرک گلخانه چهار چرخ محرک با فرمان‌گیری دیفرانسیلی طراحی و ساخته شد. سپس ناوبری ربات ...
بیشتر
وجود کارهای تکراری، سخت و طاقت‌فرسا و بعضاً خطرناک در محیط گلخانه هم‌چون سم‌پاشی و برداشت، استفاده از ربات را در گلخانه ضروری نموده است. ساختار مکانیکی و الگوریتم ناوبری دو فاکتور مهم در طراحی و ساخت ربات‌های گلخانه می‌باشند. در این پروژه یک ربات متحرک گلخانه چهار چرخ محرک با فرمان‌گیری دیفرانسیلی طراحی و ساخته شد. سپس ناوبری ربات در سطوح با جنس‌های مختلف و نیز محیط گلخانه واقعی مورد ارزیابی قرار گرفت. الگوریتم ناوبری ربات بر اساس یادگیری مسیر بود بدین صورت که ابتدا مسیر مورد نظر با استفاده از کنترل راه دور بر اساس پالس ارسالی از اینکودرهای چرخ، در حافظه ربات ذخیره می‌شد سپس ربات به‌صورت خودکار این مسیر را طی می‌کرد. دقت ناوبری ربات در سطوح با جنس‌های مختلف (سرامیک، بتون، خاک متراکم و خاک نرم) در مسیر مستقیم به طول 20 متر و مسیر مربع شکل 4×4 متر مورد آزمایش قرار گرفت. همچنین دقت ناوبری ربات در محیط گلخانه ارزیابی شد. مقدار انحراف ربات با استفاده از شاخص‌های آماری ریشه میانگین مربعات خطا (RMSE) و انحراف معیار (SD) محاسبه شدند. نتایج نشان داد که ریشه میانگین مربعات خطای انحراف ربات در حالت خودکار نسبت به روش دستی در مسیر مستقیم به طول 20 متر در سطوح سرامیکی، سیمانی، خاک متراکم و خاک نرم به‌ترتیب 3/4، 8/2، 6/4 و 8 سانتی‌متر و در مسیر مربع شکل4×4 متر، 6/6، 5/5، 1/13 و 1/47 سانتی‌متر به‌دست آمد.
پردازش تصویر
احمد حیدری؛ جعفر امیری پریان
چکیده
شناسایی و ردیابی به موقع آفات در گلخانه یک امر حیاتی جهت کنترل آفات و بیماری‌ها، کاهش خسارت و افزایش عملکرد محصول می‌باشد. آفات مختلفی از قبیل سفید بالک‌ها، تریپس‌ها، شته‌ها و غیره در خسارت به محصول و در نتیجه کاهش آن موثر هستند. در این پژوهش، شناسایی و شمارش آفات مهم گلخانه (سفید بالک و تریپس) از طریق کارت‌های چسبان زرد رنگ به کمک ...
بیشتر
شناسایی و ردیابی به موقع آفات در گلخانه یک امر حیاتی جهت کنترل آفات و بیماری‌ها، کاهش خسارت و افزایش عملکرد محصول می‌باشد. آفات مختلفی از قبیل سفید بالک‌ها، تریپس‌ها، شته‌ها و غیره در خسارت به محصول و در نتیجه کاهش آن موثر هستند. در این پژوهش، شناسایی و شمارش آفات مهم گلخانه (سفید بالک و تریپس) از طریق کارت‌های چسبان زرد رنگ به کمک پردازش تصویر انجام شد. ابتدا از کارت‌های نصب شده در گلخانه در طول روز با دوربین دیجیتال عکس گرفته شد. سپس بر اساس طراحی الگوریتمی به منظور استخراج مولفههای رنگی و اندازه اشیاء از تبدیلات فضای رنگ، آستانهگیری، حذف نویز، عملیات مرفولوژیکی برچسبزنی به همبندها برای شناسایی و شمارش حشرات سفید بالک و تریپس به تله افتاده بر روی کارت‌های چسبان زرد استفاده شد. به کمک روش ماتریس اغتشاش، دقت الگوریتم پیشنهادی بررسی شده که این مقدار برابر با 5/94 و 4/87 درصد به‌ترتیب برای شناسایی سفید بالک و تریپس محاسبه شد.
سمانه صادق زاده نماور؛ جعفر امیری پریان؛ رضا امیری چایجان
چکیده
پردازش تصاویر دیجیتال به‌عنوان روشی جدید برای ارزیابی کمی و کیفی خصوصیات بافتی پودر مواد غذایی و دارویی از اهمیت بالایی برخوردار است. در این پژوهش از خشک‌کن خلأیی پاششی با ریز ذره‌ساز آلتراسونیک به‌منظور تولید پودر خشک از عصاره برگ کنگر فرنگی فرموله شده با ماده افزودنی لاکتوز استفاده شد. روند خشک‌کردن در یک محفظه خشک‌کن خلأ و ...
بیشتر
پردازش تصاویر دیجیتال به‌عنوان روشی جدید برای ارزیابی کمی و کیفی خصوصیات بافتی پودر مواد غذایی و دارویی از اهمیت بالایی برخوردار است. در این پژوهش از خشک‌کن خلأیی پاششی با ریز ذره‌ساز آلتراسونیک به‌منظور تولید پودر خشک از عصاره برگ کنگر فرنگی فرموله شده با ماده افزودنی لاکتوز استفاده شد. روند خشک‌کردن در یک محفظه خشک‌کن خلأ و در دمایی پایین‌تر از دمای خشک‌کن‌های پاششی معمول انجام شد. هدف از این مطالعه، بررسی اثر شرایط عملی بهینه (3%، kPa20، C°75)، نامطلوب (%2، kPa40، C°55) و دو شرایط (%2، kPa30، C°65) و (%2/5، kPa30، C°65) خشک‌کن خلأیی پاششی روی ویژگی‌های بافتی مستقل از جهت و اثر زاویه در جهت‌های چهارگانه (°0، °45، °90 و °135) روی ویژگی‌های بافتی جهت‌دار پودر عصاره برگ کنگر فرنگی می‌باشد. برای تشخیص بافت، تصاویر میکروسکوپی (SEM) به دو صورت تک ذره و ذرات توده‌ای تهیه شدند. ده ویژگی بافتی تصاویر با استفاده از ماتریس هم وقوعی سطوح خاکستری به‌منظور ارزیابی کیفی بافت پودر عصاره استخراج گردید. نتایج حاصل از تجزیه‌وتحلیل بافت نشان داد که پودرهای حاصل از شرایط خشک‌کردن در دمای بالا (75 درجه سلسیوس) و فشار خلأ پایین (20 کیلو پاسکال) و غلظت محلول (2 گرم بر 100 میلی‌لیتر) دارای تعداد بیشتری از ذرات با بافت صاف و یکنواخت بودند. درنتیجه در این شرایط، پارامترهای انرژی، همبستگی، همگنی و glcmstd بیشترین مقدار و مقادیر کنتراست، آنتروپی، rangefilt و stdfilt کمترین مقدار را دارا بودند. دو ویژگی بافتی جهت‌دار (کنتراست و همبستگی) نیز با توجه به ماهیت بافت ذرات در جهت‌های اندازه‌گیری مختلف اختلاف معنی‌داری را نشان دادند.
ابراهیم چاوشی؛ جعفر امیری پریان؛ بهزاد جباری
چکیده
با رشد روزافزون کاربرد سامانه‌های مکانیابی در عملیات کشاورزی دقیق، آگاهی از دقت و صحت گیرنده‌های مورد استفاده در این عملیات بسیار ضروری به نظر می‌رسد. این تحقیق به منظور بررسی و مقایسه دقت مکانیابی سه مدل مختلف از گیرنده‌های مکانیابی متداول در کشاورزی دقیق، شامل مدل‌های eTrex_VISTA، MAP_60_csx و MAP_78s در شرایط مختلف انجام شده ...
بیشتر
با رشد روزافزون کاربرد سامانه‌های مکانیابی در عملیات کشاورزی دقیق، آگاهی از دقت و صحت گیرنده‌های مورد استفاده در این عملیات بسیار ضروری به نظر می‌رسد. این تحقیق به منظور بررسی و مقایسه دقت مکانیابی سه مدل مختلف از گیرنده‌های مکانیابی متداول در کشاورزی دقیق، شامل مدل‌های eTrex_VISTA، MAP_60_csx و MAP_78s در شرایط مختلف انجام شده است. برای مقایسه گیرنده‌ها 9 ایستگاه ثبت داده در منطقهای به ابعاد 20 در 20 متر با نقشه‌برداری دقیق به‌وسیله دوربین تئودولیت و قطب نمای دقیق به‌صورت شبکههای منظم مشخص شد. این پژوهش در قالب طرح کاملاً تصادفی به‌صورت آزمون فاکتوریل برای بررسی سه عامل هرکدام در سه سطح شامل، شرایط جوی مختلف دادهبرداری (آسمان صاف، نیمه ابری و ابری)، ساعت‌های مختلف (9 صبح، 12 ظهر و 16 عصر) و سه مدل گیرنده مکانیاب هرکدام در نه تکرار (ایستگاه) انجام و نتایج در نرم افزار SPSS20 تجزیه و تحلیل شد. بررسی نتایج به‌دست آمده برای هر گیرنده نشان داد، میانگین خطای گیرندهGPS مدل MAP_78s، (cm)91، مدل MAP_60_csx، (m)2/64 و مدل eTrex_VISTA، (m)4/7 می‌باشد. همچنین در مقایسه تأثیر شرایط جوی و ساعات مختلف در دقت گیرنده‌های GPS اختلاف معنی‌داری مشاهده نشد. بنابراین از گیرنده GPS مدل MAP_78s می‌توان برای عملیات کشاورزی دقیق در محدوده دقت 1 تا 3 متر، در عملیاتی نظیر پایش محصول و نمونه‌برداری از خاک و از گیرنده‌های دیگر شامل MAP_60_csx و eTrex_VISTA در عملیاتی که نیاز به دقتی در محدوده 3 تا 5 متر دارند، استفاده نمود.
ایمان گلپور؛ جعفر امیری پریان؛ رضا امیری چایجان؛ جواد خزائی
چکیده
شناسایی ارقام برنج در کشاورزی مدرن از اهمیت بالایی برخوردار است. ویژگی های بافتی از میان عوامل مختلف می تواند برای شناسایی ارقام برنج استفاده شود. پردازش تصاویر دیجیتال به‌عنوان روشی جدید می‌تواند برای استخراج ویژگی‌های بافت به‌کار برده شود. هدف از این پژوهش شناسایی ارقام برنج با استفاده از ویژگی های بافت تصویر به‌کمک پردازش تصویر ...
بیشتر
شناسایی ارقام برنج در کشاورزی مدرن از اهمیت بالایی برخوردار است. ویژگی های بافتی از میان عوامل مختلف می تواند برای شناسایی ارقام برنج استفاده شود. پردازش تصاویر دیجیتال به‌عنوان روشی جدید می‌تواند برای استخراج ویژگی‌های بافت به‌کار برده شود. هدف از این پژوهش شناسایی ارقام برنج با استفاده از ویژگی های بافت تصویر به‌کمک پردازش تصویر و شبکه های عصبی مصنوعی پس انتشار می باشد. برای تشخیص ارقام برنج، پنج رقم برنج ایرانی به نام‌های فجر، شیرودی، ندا، طارم محلی و خزر تهیه شدند. 108 ویژگی بافتی از تصاویر برنج با استفاده از ماتریس هم وقوعی تصویر سطوح خاکستری استخراج گردید. سپس شناسایی ارقام با استفاده از شبکه عصبی مصنوعی پس انتشار صورت پذیرفت. پس از ارزیابی شبکه های یک لایه با استفاده از ویژگی های بافتی، بیشترین دقت طبقه بندی برای ارقام شلتوک، برنج قهوه‌ای و سفید به‌ترتیب: 2/92%، 8/97% و 9/98% به‌دست آمد. پس از اینکه شبکه با دولایه پنهان مورد ارزیابی قرار گرفت، بهترین میانگین دقت طبقه بندی برای تشخیص ارقام شلتوک 67/96%، برای برنج قهوه ای 78/97% و برای برنج سفید 88/98% حاصل شد. بیشترین دقت طبقه بندی پس از انتخاب ویژگی برای شلتوک با 45 ویژگی 9/98%، برای ارقام برنج قهوه ای با 11 ویژگی انتخاب شده 3/93% و برای ارقام برنج سفید 7/96% با 18 ویژگی انتخاب شده به‌دست آمد.
پردازش تصویر
حمید رضا احمدی؛ جعفر امیری پریان
چکیده
طی چندین سال اخیر تمایل تازه ای به‌سمت برداشت رباتیک پرتقال و برخی مرکبات ایجاد شده است. اولین گام در برداشت رباتیک شناسایی دقیق و تعیین موقعیت میوه می باشد. شناسایی از طریق پردازش تصویر توسط دوربین‌های رنگی و کامپیوتر رایج‌ترین روش در حال حاضر می باشد. بدیهی است ربات برداشت با شرایط طبیعی مواجه است و شناسایی باید در شرایط مختلف نور ...
بیشتر
طی چندین سال اخیر تمایل تازه ای به‌سمت برداشت رباتیک پرتقال و برخی مرکبات ایجاد شده است. اولین گام در برداشت رباتیک شناسایی دقیق و تعیین موقعیت میوه می باشد. شناسایی از طریق پردازش تصویر توسط دوربین‌های رنگی و کامپیوتر رایج‌ترین روش در حال حاضر می باشد. بدیهی است ربات برداشت با شرایط طبیعی مواجه است و شناسایی باید در شرایط مختلف نور و محیط انجام شود. در این تحقیق سعی شده است الگوریتم مناسبی به‌منظور تشخیص پرتقال روی سایبان درخت ارائه شود. به‌منظور ارزیابی الگوریتم ارائه شده تعداد 500 تصویر که در شرایط کاملاً متفاوت سایبان، زاویه نور خورشید و فاصله تا درخت، گرفته شده بودند، مورد بررسی قرار گرفت. این الگوریتم شامل مراحل: بهینه سازی، قطعه بندی، فیلتر اندازه، تفکیک میوه‌ها بر مبنای الگوی تراکم سایه و روشنایی و تعیین مختصات می‌باشد. در این تحقیق برای قطعه بندی از شبکه عصبی MLP (با سه لایه مخفی) استفاده شد که موفقیت به‌کارگیری آن با توجه به نرخ کشف صحیح پرتقال ها با دقت 2/88% مورد تایید قرار گرفت. با توجه به درصد بالای پرتقال‌های خوشه ای نسبت به کل پرتقال ها در تصاویر، هر الگوریتمی که بخواهد در زمینه شناسایی پرتقال بر روی درخت موفق عمل کند باید راه حلی برای تفکیک پرتقال ها از هم ارائه دهد که در پژوهش حاضر روشی جدید بر مبنای الگوی تراکم سایه روشن، به‌کار گرفته شد و کارایی آن مورد ارزیابی قرار گرفت. در نهایت دقت تفکیک 5/89 درصد و دقت شناسایی 2/88 درصد به‌دست آمد.
