پردازش تصویر
مریم نداف زاده؛ احمد بناکار؛ سامان آبدانان مهدی زاده؛ محمدرضا زارع بوانی؛ سعید مینایی
چکیده
در کشاورزی دقیق، مکانیابی خودکار محصولات یکی از موضوعات تحقیقاتی مهم است. در این پژوهش شناسایی دقیق ردیفهای کشت محصول ریحان بهمنظور مسیریابی خودکار یک ربات گزارش میشود. در یک مرحله از این تحقیق با اخذ تعداد شش تصویر در هر دورهی رشد (هفته سوم، هفته چهارم و هفته پنجم) به حذف علفهای هرز میان ردیفهای کشت محصول پرداخته شد؛ که ...
بیشتر
در کشاورزی دقیق، مکانیابی خودکار محصولات یکی از موضوعات تحقیقاتی مهم است. در این پژوهش شناسایی دقیق ردیفهای کشت محصول ریحان بهمنظور مسیریابی خودکار یک ربات گزارش میشود. در یک مرحله از این تحقیق با اخذ تعداد شش تصویر در هر دورهی رشد (هفته سوم، هفته چهارم و هفته پنجم) به حذف علفهای هرز میان ردیفهای کشت محصول پرداخته شد؛ که بدین منظور از سه روش مختلف (گشودگی مساحت، حذف ابعادی و ماسکگذاری) استفاده گردید. در مرحلهای دیگر تعداد شش تصویر از ردیفهای کشت بدون وجود علفهای هرز مورد بررسی قرار گرفت. سپس با انجام عملیات پردازش تصویر و پیادهسازی چندین الگوریتم مسیریابی (الگوریتمهای مبتنی بر تبدیل هاف، تبدیل موجک، فیلتر گابور، رگرسیون خطی و الگوریتم پیشنهادی این مطالعه) بر روی تصاویر، به بررسی خروجی هر یک از این الگوریتمها نسبت به مسیر ایدهآل تعیینشده توسط کاربر پرداخته شد. پس از مقایسهی دقیق مسیرهای تشخیص داده شده توسط الگوریتمهای مختلف مسیریابی نسبت به مسیرهای ایدهآل و با توجه به نتایج آزمون آماری t-test در سطح احتمال 5%، برتری روشهای مسیریابی مورد مطالعه بهترتیب زیر مشخص گردید: روش پیشنهادی، روش فیلتر گابور، روش رگرسیون خطی، روش تبدیل هاف و روش تبدیل موجک. در نهایت الگوریتم پیشنهادی با بیشترین میزان انطباق نسبت به مسیر ایدهآل (با میانگین خطای تشخیص 3.65 پیکسل) و کمترین مدت زمان اجرای عملیات (4.79 ثانیه) بهعنوان مناسبترین الگوریتم مسیریابی انتخاب و با استفاده از آن عملکرد یک ربات طراحیشده مورد ارزیابی قرار گرفت.
عبدالعباس جعفری؛ احسان تاتار
چکیده
تولید صنعتی شیره خرما شامل مراحل مختلفی است که در طی آن نیاز به اندازهگیری پیوسته میزان گرانروی در طی مراحل مختلف فرآوری نیاز میباشد. روشهای اندازهگیری گرانروی متداول نیازمند نمونهگیری از فرآورده بوده و در عین حال زمانبر میباشند و لذا از این روشها نمیتوان در کنترل سیستم فرآوری استفاده کرد. به همین دلیل روشی که بتواند ...
بیشتر
تولید صنعتی شیره خرما شامل مراحل مختلفی است که در طی آن نیاز به اندازهگیری پیوسته میزان گرانروی در طی مراحل مختلف فرآوری نیاز میباشد. روشهای اندازهگیری گرانروی متداول نیازمند نمونهگیری از فرآورده بوده و در عین حال زمانبر میباشند و لذا از این روشها نمیتوان در کنترل سیستم فرآوری استفاده کرد. به همین دلیل روشی که بتواند بهصورت بلادرنگ وضعیت گرانروی مایع را پایش نماید، از ملزومات یک سیستم کنترل کیفیت محصول شیره خرما میباشد تا مطابق با مقدار آنی گرانروی، اقدام به تغییر پارامترهای ورودی و شرایط فرآوری نماید تا محصولی با گرانروی و کیفیت استاندارد فراهم شود. در این تحقیق بر اساس ویژگیهای مستخرج از تصاویر و بهرهگیری از شبکههای عصبی مصنوعی روشی ابداع گردید تا گرانروی شیره خرما را در حین ریزش تعیین نماید. بر اساس اندازهگیریهای بهدست آمده توسط دستگاه لزجتسنج بروکفیلد مشخص شد که رفتار شیره خرما در دماها و غلظتهای مختلف متفاوت بوده و دامنه گستردهای از رفتار نیوتنی تا غیرنیوتنی را شامل میشود. از شبکه عصبی چند لایه با روش تعلیم پسانتشار خطا بهمنظور پیشبینی دو مقدار شاخص رفتار جریان و شاخص قوام بر اساس ویژگیهای استخراج شده از تصویر استفاده شد. مقادیر خروجی روش پیشنهادی با مقادیر اندازهگیری شده توسط دستگاه لزجتسنج بروکفیلد در سطوح مختلف دما و غلظت شیره خرما واسنجی گردید. نتایج حاصله بیانگر همبستگی شاخصهای رفتار و جریان بهدست آمده از این روش با مقادیر واقعی با ضریب همبستگی تا حد 0/989 و میانگین خطای 0/0138 در دادههای ارزیابی بود.