کشاورزی دقیق
بهرام بشارتی؛ علی جعفری؛ حسین موسی زاده؛ حسین نوید
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 ...
بیشتر
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.
پردازش تصویر
داود محمدزمانی؛ سید محمد جاویدان؛ معین زند؛ محمد رسولی
چکیده
در این مطالعه، یک رویکرد شبکه عصبی برای تعیین محل دقیق میوه خیار بر روی تصاویر گلخانه‌ای پیشنهاد شده است. برای این منظور پس از متعادل کردن هیستوگرام روشنایی تصویر مورد نظر، تصویر را با پنجره‌ای حاوی تصویر میوه خیار ضرب می‌کند که باعث می‌شود در مناطق مشکوک به خیار ضرایب بزرگ‌تری به‌دست آید. با استخراج این حداکثرهای محلی، خوشه‌هایی ...
بیشتر
در این مطالعه، یک رویکرد شبکه عصبی برای تعیین محل دقیق میوه خیار بر روی تصاویر گلخانه‌ای پیشنهاد شده است. برای این منظور پس از متعادل کردن هیستوگرام روشنایی تصویر مورد نظر، تصویر را با پنجره‌ای حاوی تصویر میوه خیار ضرب می‌کند که باعث می‌شود در مناطق مشکوک به خیار ضرایب بزرگ‌تری به‌دست آید. با استخراج این حداکثرهای محلی، خوشه‌هایی از نقاط اولیه بهعنوان پنجرههای احتمالی وجود خیار به‌دست میآید. سپس برای تشخیص دقیق محل قرارگیری خیارها، این نقاط و نواحی اطراف آنها به یک شبکه عصبی که با استفاده از تعدادی تصویر شامل تصاویر خیار، تصاویر غیر خیار و پاسخ بهینه آنها آموزش داده شده است، ارجاع داده می‌شود. مناطق بهدستآمده از این شبکه منجر به تشخیص دقیق محل خیارها در تصویر شد. روش پیشنهادی در جعبه ابزار Simulink نرمافزار متلب پیادهسازی شد. سپس روش پیشنهادی با استفاده از این ساختار شبکه شبیهسازی شد و بر روی 120 تصویر بهدستآمده از یک گلخانه توسط دوربین دیجیتال آزمایش شد. این روش خطای پایینی داشت و توانست نرخ بالایی را در زمان مناسب میوههای خیار در تصاویر کشفشده تشخیص دهد.
