کشاورزی دقیق
فرهاد فاتحی؛ حسین باقرپور؛ جعفر امیری پریان
چکیده
چیدن دستی گل‌های محمدی به دلیل وجود خارهای زیاد روی ساقه‌های آن بسیار دشوار است. بنابراین تشخیص بی‌درنگ گل محمدی شکفته در مزارع روباز برای طراحی یک ربات بهمنظور برداشت خودکار این گل ضروری است. با توجه به سرعت بالا و دقت مناسب شبکه‌های عصبی کانولوشن عمیق (DCNN)، هدف از این مطالعه بررسی پتانسیل مدل بهینه‌شده YOLOv8s در تشخیص گل‌های ...
بیشتر
چیدن دستی گل‌های محمدی به دلیل وجود خارهای زیاد روی ساقه‌های آن بسیار دشوار است. بنابراین تشخیص بی‌درنگ گل محمدی شکفته در مزارع روباز برای طراحی یک ربات بهمنظور برداشت خودکار این گل ضروری است. با توجه به سرعت بالا و دقت مناسب شبکه‌های عصبی کانولوشن عمیق (DCNN)، هدف از این مطالعه بررسی پتانسیل مدل بهینه‌شده YOLOv8s در تشخیص گل‌های محمدی شکفته است. بهمنظور ارزیابی اندازه مدل YOLO بر عملکرد مدل، دقت و سرعت تشخیص نسخه‌های دیگر مدل YOLO ازجمله v5s و v6s نیز مورد بررسی قرار گرفت. برای رسیدن به این هدف، تصاویر گل‌های محمدی تحت شرایط نور عادی (از سپیده‌دم تا طلوع آفتاب) و شرایط نور شدید (از طلوع آفتاب تا ۱۰ صبح) تهیه شدند. نتایج ارزیابی نشان داد که مدل YOLOv8s با میانگین متوسط دقت(mAP50) و سرعت شناسایی به‌ترتیب %98 و 243.9 فریم در ثانیه (fps) بهترین عملکرد را به نمایش گذاشت و در مقایسه با مدل‌های YOLOv5s و YOLOv6s مقدار mAP50 آن به‌ترتیب 0.3% و 6.1%، و مقدار سرعت تشخیص آن به‌ترتیب fps 169.3 و fps 198.6 بیشتر بود. نتایج تجربی نشان می‌دهد که YOLOv8s در تصاویر گرفته‌شده در نور عادی عملکرد بهتری نسبت به تصاویر گرفته‌شده در نور شدید دارد. کاهش 2.5% در مقدار mAP50 و 2.4% در سرعت تشخیص نشان‌دهنده تأثیر منفی نور شدید محیطی بر اثر بخشی مدل است. این تحقیق نشان می‌دهد که مدل YOLOv8s یک راه‌حل قابل‌قبول برای تشخیص بی‌درنگ گل محمدی فراهم می‌کند و راهنمای خوبی برای تشخیص سایر گیاهان مشابه است.
پردازش تصویر
حسین باقرپور؛ فرهاد فاتحی؛ علیرضا شجاعیان؛ رضا باقرپور
چکیده
در برخی کشورها، فندق‌ها به دلیل محدودیت‌های فناوری موجود و افزایش طول عمر نگهداری‌شان، معمولاً با پوسته مصرف می‌شوند. بنابراین، فندق‌های خندان مشتری پسندی بالاتری دارند. در مقیاس نیمه‌صنعتی، فندق‌های خندان و دهان بسته در حال حاضر از طریق بازرسی بصری از یکدیگر جدا می‌شوند. این مطالعه بهمنظور توسعه یک الگوریتم جدید برای جداسازی ...
بیشتر
در برخی کشورها، فندق‌ها به دلیل محدودیت‌های فناوری موجود و افزایش طول عمر نگهداری‌شان، معمولاً با پوسته مصرف می‌شوند. بنابراین، فندق‌های خندان مشتری پسندی بالاتری دارند. در مقیاس نیمه‌صنعتی، فندق‌های خندان و دهان بسته در حال حاضر از طریق بازرسی بصری از یکدیگر جدا می‌شوند. این مطالعه بهمنظور توسعه یک الگوریتم جدید برای جداسازی فندق‌های خندان از فندق‌های ترک‌خورده یا دهان بسته انجام شده است. در رویکرد اول، تکنیک‌های کاهش بعد مانند روش‌های مبتنی بر انتخاب ویژگی (SFFS) و تحلیل مؤلفه اصلی (PCA) برای انتخاب یا استخراج ترکیبی از ویژگی‌های رنگ، بافت و خاکستری به‌عنوان ورودی مدل استفاده شدند. در رویکرد دوم، ویژگی‌های به شکل انفرادی مستقیماً به‌عنوان ورودی‌ها استفاده شدند. در این مطالعه، سه مدل معروف یادگیری ماشین، شامل ماشین بردار پشتیبان (SVM)، نزدیک‌ترین همسایه‌ها (KNN) و پرسپترون چندلایه (MLP) مورد استفاده قرار گرفتند. نتایج نشان داد که روش SFFS تأثیر بیشتری در بهبود عملکرد مدل‌ها نسبت به روش PCA دارد. با این حال، تفاوت معنی‌داری بین عملکرد مدل‌های توسعه‌یافته با ویژگی‌های ترکیبی (98.00%) و عملکرد مدل‌های با استفاده از ویژگی‌های انفرادی (98.67%) وجود نداشت. نتایج کلی این مطالعه نشان داد که مدل MLP با یک لایه پنهان، دراپ اوت برابر با 0.3 و 10 نورون، با استفاده از ویژگی HOG به‌عنوان ورودی، انتخاب خوبی برای طبقه‌بندی فندق‌ها به دو دسته خندان و دهان بسته می‌باشد.
کشاورزی دقیق
امین نادری بنی؛ حسین باقرپور؛ جعفر امیری پریان
چکیده
بیماری‌های درخت بِه یکی از نگرانی‌های عمده باغداران می‌باشد و شناسایی آن‌ها در پایش درختان ضروری است چرا که زیآن‌های اقتصادی قابل‌توجهی وارد می‌کند. از این رو، تشخیص به‌موقع و موثر بیماری‌های برگی درختان بِه، نقش مهمی در جلوگیری از این ضرر اقتصادی دارد. بیشتر علائم بیماری این درخت در برگ ظاهر می‌شود و تشخیص آن‌ها نیاز به متخصصان ...
بیشتر
بیماری‌های درخت بِه یکی از نگرانی‌های عمده باغداران می‌باشد و شناسایی آن‌ها در پایش درختان ضروری است چرا که زیآن‌های اقتصادی قابل‌توجهی وارد می‌کند. از این رو، تشخیص به‌موقع و موثر بیماری‌های برگی درختان بِه، نقش مهمی در جلوگیری از این ضرر اقتصادی دارد. بیشتر علائم بیماری این درخت در برگ ظاهر می‌شود و تشخیص آن‌ها نیاز به متخصصان خبره داشته و از طرفی زمان‌بر بوده و هزینه آزمایشگاهی بالایی دارد. اصلی‌ترین بیماری‌های این محصول شامل آتشک، زخم برگ و سفیدک پودری است. با پیشرفت الگوریتم‌های هوش مصنوعی، شبکه‌های عصبی مختلفی برای طبقه‌بندی معرفی شده‌اند که از مهم‌ترین آن‌ها می‌توان به شبکه‌های عصبی پیچشی (کانولوشنی) اشاره کرد. هدف اصلی این مطالعه بهینه‌سازی و تنظیم پارامترهای اصلی این شبکه‌ها بهمنظور افزایش دقت تشخیص بیماری‌های برگی درخت بِه می‌باشد. در این مطالعه در رویکرد اول با استفاده از یادگیری انتقالی، دو الگوریتم مهم Inception-ResNet-v2 و ResNet-101 و در رویکرد دوم یک الگوریتم بهینه‌شده پیشنهادی برای طبقه‌بندی بیماری‌ها استفاده شد. نتایج مدل‌ها نشان داد که حذف تصادفی باعث اصلاح دقت بعضی مدل‌ها گردید و بیشترین عملکرد با 64 نورون در لایه مخفی حاصل گردید. مدل پیشنهادی دقت بالاتری نسبت به روش انتقالی داشت. با بررسی نتایج کلی، مدل پبشنهادی با چهار لایه پیچشی در بلوک کانولوشنی، یک لایه مخفی در بلوک شبکه عصبی و ضریب دراپ‌اوت 0.5 بیشترین عملکرد را ارایه داد.
کشاورزی دقیق
مهران هاشمی جوزانی؛ حسین باقرپور؛ جواد حمزه ای
چکیده
شاخص پوشش گیاهی سبز کسری (FVC) و شاخص نرمال شده تفاضل پوشش گیاهی (NDVI) از شاخص بسیار مهم سبزینگی می‌باشند و ارتباط بسیار قوی با زیست‌توده سبز دارند. هدف اصلی این پژوهش، ارزیابی شاخص NDVI حاصل از حسگر دستی Greesnseeker (GS) در تخمین مقدار زیست‌توده، کلروفیل و شاخص FVC در گیاه اسفناج می‌باشد. در این پژوهش برای جداسازی مناسب زمینه خاک از گیاه از شاخص‌های ...
بیشتر
شاخص پوشش گیاهی سبز کسری (FVC) و شاخص نرمال شده تفاضل پوشش گیاهی (NDVI) از شاخص بسیار مهم سبزینگی می‌باشند و ارتباط بسیار قوی با زیست‌توده سبز دارند. هدف اصلی این پژوهش، ارزیابی شاخص NDVI حاصل از حسگر دستی Greesnseeker (GS) در تخمین مقدار زیست‌توده، کلروفیل و شاخص FVC در گیاه اسفناج می‌باشد. در این پژوهش برای جداسازی مناسب زمینه خاک از گیاه از شاخص‌های رنگی G-B و ExG استفاده شد. در طول دوره رشد 28 تا 44 روز بعد از جوانهزنی گیاه، نتایج تحقیق نشان داد که NDVI حاصل از GS ارتباط خوبی با کلروفیل داشته (R = 0.61 to 0.91) و ارتباط بین این شاخص با زیست‌توده نیز معنیدار بود. علاوه بر این، نتایج نشان داد که در این دوره رشد ارتباط خوبی بین شاخص NDVI حاصل از GS با شاخص FVC وجود دارد (R = 0.67 to 0.82). در حسگر در ارزیابی تاثیر نرخ نیتروژن بر شاخص NDVI، مشخص شد که تنها در دوره کوتاه 28 تا 36 روز پس از جوانهزنی ارتباط خطی معنی‌داری بین این دو متغیر وجود دارد. نتایج نشان داد که حسگر Greenseedke توانایی خوبی در تخمین کلروفیل و مقدار زیست‌توده گیاه دارد و از آن می‌توان در میانه رشد گیاه، مقدار شاخص پوشش گیاهی سبز کسری را بهخوبی برآورد کرد.
