کشاورزی دقیق
فاطمه نادرنژاد؛ دین محمد ایمانی؛ محمد رضا رسولی
چکیده
پیش‌بینی عملکرد محصول یکی از مسائل مهم در حوزه‌ی کشاورزی می‌باشد و به عوامل مختلفی از جمله شرایط آب‌وهوایی، ویژگی‌های خاک، ویژگی‌های محصول و برنامه‌های مدیریتی وابسته می‌باشد. پیش‌بینی دقیق عملکرد محصول می‌تواند در تصمیم‌گیری‌ها و بهینه‌سازی فرآیندها به کشاورزان و صنایع وابسته به کشاورزی کمک نماید و در نهایت منجر به افزایش ...
بیشتر
پیش‌بینی عملکرد محصول یکی از مسائل مهم در حوزه‌ی کشاورزی می‌باشد و به عوامل مختلفی از جمله شرایط آب‌وهوایی، ویژگی‌های خاک، ویژگی‌های محصول و برنامه‌های مدیریتی وابسته می‌باشد. پیش‌بینی دقیق عملکرد محصول می‌تواند در تصمیم‌گیری‌ها و بهینه‌سازی فرآیندها به کشاورزان و صنایع وابسته به کشاورزی کمک نماید و در نهایت منجر به افزایش تولید شود. نیشکر یکی از مهمترین محصولات استراتژیک کشاورزی و منبع تأمین شکر در جهان می‌باشد. هدف پژوهش حاضر پیش‌بینی و بررسی عوامل مؤثر بر میزان شکر استحصالی از نیشکر در مزارع شرکت کشتوصنعت نیشکر امیرکبیر با استفاده از الگوریتمهای یادگیری ماشین می‌باشد. دادههای جمع‌آوری شده برای این پژوهش مربوط به بازه زمانی سال‌های 1396-1389 شامل 3223 نمونه می‌باشد که شامل چهار مجموعه داده آب‌وهوایی، محصول، خاک و مدیریت مزرعه می‌باشد. برای مدل‌سازی پژوهش از الگوریتمهای جنگل تصادفی، آدابوست، تقویت گرادیان حداکثری و ماشین بردار پشتیبان استفاده شده و در محیط ژوپیترنوتبوک پایتون پیادهسازی شدهاند. مدل جنگل تصادفی با صحت 92.2% برای پیش‌بینی شکر استحصالی در بین مدل‌های ارائه شده بهترین عملکرد را دارد.
محمدرضا زارع زاده؛ محمد ابونجمی؛ مهدی قاسمی ورنامخواستی؛ فاطمه آذری کیا
چکیده
روغن زیتون فرابکر همیشه مورد توجه و خواست استفاده‌کنندگان می‌باشد؛ از این‌رو در روغن‌های زیتونِ بکر و فرابکر، تقلب، با افزودن روغن‌های با ارزش غذایی و قیمت کمتر مثل کانولا، آفتابگردان، تفاله زیتون و غیره مشاهده می‌گردد. در این پژوهش با استفاده از فناوری ماشین بویایی روغن زیتون فرابکر، از نمونه‌های تقلبی تهیه شده با روغن‌های ...
بیشتر
روغن زیتون فرابکر همیشه مورد توجه و خواست استفاده‌کنندگان می‌باشد؛ از این‌رو در روغن‌های زیتونِ بکر و فرابکر، تقلب، با افزودن روغن‌های با ارزش غذایی و قیمت کمتر مثل کانولا، آفتابگردان، تفاله زیتون و غیره مشاهده می‌گردد. در این پژوهش با استفاده از فناوری ماشین بویایی روغن زیتون فرابکر، از نمونه‌های تقلبی تهیه شده با روغن‌های متداول در بازار و با هفت مدل طبقه‌بندی مختلف تشخیص داده شد. نمونه‌ها در شش دسته‌ی "خالص و 5، 10، 20، 35 و 50 درصد تقلب" و هر تیمار در هفت نمونه تهیه و آزمایش‌ها در هفت تکرار انجام گرفت. سامانه بویایی از هشت حسگر متفاوت تشکیل شده که برای هر کدام نمودار تغییر ولتاژ بر حسب زمان تهیه و از آن نمودار چهار ویژگی "کمینه، بیشینه، میانگین و اختلاف بیشینه و کمینه" در مدل‌های طبقه‌بندی استفاده گردید. به این ترتیب تعداد 32 ویژگی برای هشت حسگر استخراج و مورد تجزیه و تحلیل قرار گرفت. به جهت تاثیر دمای نمونه‌ها در خروجی سامانه، تمام آزمایش‌ها در دمای ثابت انجام گرفتند. طبقه‌بندی نتایج با چهار الگوریتم طبقه‌بندی "K-همسایگی نزدیک، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و آدابوست" صورت پذیرفت. 70% داده‌ها برای آموزش و 30% برای آزمون استفاده گردید. از بین 32 ویژگی، ویژگی "کمینه مقدار خروجی سنسور TGS-822" بیشترین تاثیر را در دقت طبقه‌بندی داشتند. نتایج نشان داد روش طبقه‌بندی همسایگی نزدیک با بهترین دقت (89/89%) و پس از آن روش ماشین بردار پشتیبان (52/86%) بیشترین دقت طبقه‌بندی را دارا بودند.
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.
بهاره جمشیدی؛ سعید مینایی؛ عزالدین مهاجرانی؛ حسن قاسمیان
چکیده
در سال‌های اخیر، کاربرد اسپکتروسکوپی فروسرخ نزدیک (NIR) به عنوان یک روش غیرمخرب در ترکیب با روش‌های شیمی‌سنجی به منظور ارزیابی کیفیت محصولات کشاورزی و غذایی به طور گسترده‌ای مورد توجه قرار گرفته است. در روش‌های شیمی‌سنجی، آنالیزهای کیفی موضوعات مهمی هستند که می‌توانند به مسئله بازشناسی الگو نسبت داده شوند. در این پژوهش، توانایی ...
بیشتر
در سال‌های اخیر، کاربرد اسپکتروسکوپی فروسرخ نزدیک (NIR) به عنوان یک روش غیرمخرب در ترکیب با روش‌های شیمی‌سنجی به منظور ارزیابی کیفیت محصولات کشاورزی و غذایی به طور گسترده‌ای مورد توجه قرار گرفته است. در روش‌های شیمی‌سنجی، آنالیزهای کیفی موضوعات مهمی هستند که می‌توانند به مسئله بازشناسی الگو نسبت داده شوند. در این پژوهش، توانایی روش‌های بازشناسی الگو در ترکیب با اسپکتروسکوپی NIR بازتابی به منظور تفکیک غیر مخرب مزه پرتقال‌ها بررسی شد. برای این منظور، روش‌های بازشناسی الگوی نظارت‌نشده و نظارت‌شده، خوشه‌بندی سلسله مراتبی (HCA) و مدل‌سازی مستقل نرم شباهت‌های طبقه (SIMCA)، به ترتیب برای امکان‌سنجی تفکیک واریته‌های پرتقال و طبقه‌بندی (بر اساس مزه آنها) بر پایه اطلاعات طیفی محدوده nm 1650- 930 استفاده شدند. آنالیزهای کیفی نشان داد که طیف‌های NIR واریته‌های پرتقال به خوبی با بازشناسی الگوی نظارت‌نشده HCA خوشه‌بندی شدند. هم‌چنین، بازشناسی الگوی نظارت‌شده SIMCA برای طیف‌های NIR پرتقال‌ها نتایج عالی طبقه‌بندی واریته بر اساس شاخص BrimA را در سطح احتمال 5 درصد در بر داشت (دقت طبقه‌بندی 57/98 درصد). هم‌چنین، طول موج‌های nm 5/1047، nm1502، و nm1475 سهم بیش‌تری نسبت به سایر طول موج‌ها در تفکیک دو طبقه بر عهده داشتند. نمونه‌های دارای مقدارهای یکسان شاخص BrimA نیز به‌درستی با دقت طبقه‌بندی بالا (45/95 درصد) در سطح احتمال 5 درصد طبقه‌بندی شدند. قدرت تفکیک طول موج‌های nm 1475، nm1583، و nm 75/1436 برای دستیابی به این طبقه‌بندی بسیار بیشتر از سایر طول موج‌ها بود. بنابراین، اسپکتروسکوپی NIR بازتابی در ترکیب با روش‌های بازشناسی الگو می‌تواند برای تشخیص سایر ویژگی‌های مزه نیز به‌کار رود.
