پردازش تصویر
حسن کوروشی طلب؛ داود محمدزمانی؛ محمد غلامی پرشکوهی
چکیده
تشخیص بیماری‌های گیاهی بخش مهمی از فرآیند مدیریت مزرعه است و می‌تواند تاثیر قابل‌توجهی بر کمیت و کیفیت تولید داشته باشد. روش‌های سنتی ارزیابی چشمی توسط ناظران انسانی زمان‌بر، پر هزینه و مستعد خطا هستند و تشخیص دقیق و تمایز بین بیماری‌های مختلف را دشوار می‌سازند. پیشرفت‌های کشاورزی امکان استفاده از سامانه‌های بینایی ماشین غیرمخرب ...
بیشتر
تشخیص بیماری‌های گیاهی بخش مهمی از فرآیند مدیریت مزرعه است و می‌تواند تاثیر قابل‌توجهی بر کمیت و کیفیت تولید داشته باشد. روش‌های سنتی ارزیابی چشمی توسط ناظران انسانی زمان‌بر، پر هزینه و مستعد خطا هستند و تشخیص دقیق و تمایز بین بیماری‌های مختلف را دشوار می‌سازند. پیشرفت‌های کشاورزی امکان استفاده از سامانه‌های بینایی ماشین غیرمخرب را برای تشخیص بیماری‌های گیاهی فراهم کرده است و حسگرهای تصویربرداری رنگی توانایی بالایی در این زمینه از خود بروز داده‌اند. این مطالعه چارچوبی را برای تشخیص بیماری لکه موجی زودرس و سفیدک داخلی سیب‌زمینی با استفاده از ترکیبی از الگوریتم‌های انتخاب ویژگی Relief و طبقه‌بندی تصادفی جنگل و ویژگی‌های رنگ، بافت و شکل در سه فضای رنگی RGB، HSV و Lab* توصیف کرد. نتایج این بررسی نشان داد که دقت تشخیص برای گروه بیماری لکه موجی زودرس و سفیدک داخلی و گروه برگ سالم به‌ترتیب 94.71، 95 و 95.2 درصد و دقت کلی برای طبقه‌بندی بیماری 95.99 درصد بود. همچنین دقت تشخیص برای دو گروه بیماری لکه موجی زودرس و سفیدک داخلی و گروه برگ سالم به‌ترتیب 91.07، 98.36 و 98.93 درصد و دقت کلی برای طبقه‌بندی بیماری‌ها 96.12 درصد بود. پس از جداسازی ناحیه بیمار از قسمت سالم برگ، در مجموع 150 ویژگی شامل 45 ویژگی رنگی، 99 ویژگی بافتی و شش ویژگی شکلی استخراج شد. مؤثرترین ویژگی‌ها برای تشخیص بیماری با استفاده از ترکیبی از هر سه مجموعه ویژگی شناسایی شدند. این مطالعه نشان داد که ترکیب این سه مجموعه از ویژگی‌ها می‌تواند منجر به طبقه‌بندی دقیق‌تر برگ‌های سیب‌زمینی شود و بینش ارزشمندی در تشخیص و طبقه‌بندی بیماری‌های سیب‌زمینی ارائه دهد. این رویکرد می‌تواند به کشاورزان و سایر متخصصان بیماری‌های گیاهی کمک کند تا بیماری‌های سیب‌زمینی را به‌طور دقیق تشخیص داده و مدیریت کنند و در نهایت منجر به افزایش کیفیت و عملکرد محصول شود.
پردازش تصویر
احمد جهان بخشی؛ کامران خیرعلی پور
چکیده
ارزیابی کیفی محصولات کشاورزی از عوامل بسیار مهم در ارتقای بازارپسندی آن‌ها است. عملیات درجه‌بندی و بسته‌بندی محصولات کشاورزی توسط کارگران با مشکلات فراوانی مثل افزایش هزینه، زمان، نیروی کارگری، تلف شدن محصول و غیره روبه‌رو است. سامانه‌های پردازش تصویر روش‌های نوینی هستند که در بخش کشاورزی کاربردهای مختلفی از جمله درجه‌بندی ...
بیشتر
ارزیابی کیفی محصولات کشاورزی از عوامل بسیار مهم در ارتقای بازارپسندی آن‌ها است. عملیات درجه‌بندی و بسته‌بندی محصولات کشاورزی توسط کارگران با مشکلات فراوانی مثل افزایش هزینه، زمان، نیروی کارگری، تلف شدن محصول و غیره روبه‌رو است. سامانه‌های پردازش تصویر روش‌های نوینی هستند که در بخش کشاورزی کاربردهای مختلفی از جمله درجه‌بندی محصولات دارد. هدف از این پژوهش پیادهسازی یک سامانه ماشین بینایی برای طبقه‌بندی هویج بر اساس شکل با استفاده از روش پردازش تصویر میباشد. برای این منظور تصویر 135 نمونه هویج در شکلهای مختلف (معمول و غیرمعمول) تهیه گردید. پس از پیشپردازش تصاویر، ویژگی‌های مختلف شکل از تصاویر استخراج شد. در فرآیند انتخاب ویژگی، طول، وسعت، محیط، گردی، ناهمگنی مرکز سطح، ناهمگنی عرضی و تعداد ریشه به عنوان ویژگی‌های کارا انتخاب گردید. از روش‌های هوش مصنوعی و ماشینبردار پشتیبان برای طبقه‌بندی نمونهها استفاده شد. نتایج نشان داد که دقت درجه‌بندی روش شبکه عصبی مصنوعی پرسپترون چندلایه از ماشین بردار پشتیبان بیشتر و برابر با 50/98 درصد میباشد. میتوان گفت که روش پردازش تصویر و ماشین بینایی جهت ارتقا روش سنتی درجه‌بندی هویج کارآمد میباشند.
