پردازش تصویر
امید دوستی ایرانی؛ محمدحسین آق خانی؛ محمودرضا گلزاریان
چکیده
برداشت رباتیک محصولات کشاورزی فرآیندی مهم و موثر برای تولید میوه سالم، کاهش هزینههای برداشت و افزایش بهرهوری است. با پیشرفت بینایی ماشین، استفاده از اطلاعات سهبعدی بهجای اطلاعات دوبعدی در حال گسترش است. با این حال، برداشت فلفل دلمهای بهعنوان یکی از محصولات گلخانهای، به دلیل دقت پایین سنسورهای دوبعدی با چالشهایی مواجه ...
بیشتر
برداشت رباتیک محصولات کشاورزی فرآیندی مهم و موثر برای تولید میوه سالم، کاهش هزینههای برداشت و افزایش بهرهوری است. با پیشرفت بینایی ماشین، استفاده از اطلاعات سهبعدی بهجای اطلاعات دوبعدی در حال گسترش است. با این حال، برداشت فلفل دلمهای بهعنوان یکی از محصولات گلخانهای، به دلیل دقت پایین سنسورهای دوبعدی با چالشهایی مواجه است. هدف این مطالعه توسعه یک الگوریتم بینایی ماشین بدون نظارت برای تشخیص فلفل دلمه رنگی با استفاده از ترکیبی از ویژگیهای هندسی (هیستوگرام ویژگی نقطه سریع- FPFH) و ویژگیهای رنگی (HSV) است. تصاویر عمق با استفاده از حسگر Kinect-v2 دریافت و مدل سهبعدی بازسازی شده است. پس از استخراج ویژگیهای هندسی و رنگ، دادهها با استفاده از روش زیر نمونهگیری و با اعمال معیار Z-score برای فیلتر کردن نویزها، پیشپردازش شدند. تحلیل مؤلفه اصلی (PCA) برای کاهش ابعاد ویژگیها استفاده شد و مدل خوشهبندی k-means با استفاده از شش ویژگی هندسی و سه ویژگی رنگ، به دادهها اعمال شد. ضریب سیلوئت برای ارزیابی کیفیت خوشهبندی استفاده شد و ارزیابی انسانی نشان داد که الگوریتم با دقت 95.10 درصد قادر به تشخیص فلفل دلمهای است.
حدیث بی آبی؛ سامان آبدانان مهدی زاده؛ محمدرضا صالحی سلمی
چکیده
تشخیص خودکار و بهموقع بیماریهای گیاهی، یک موضوع اساسی در نظارت و تولید محصولات سالم و باکیفیت است. لذا طراحی و توسعه روشی سریع، خودکار، ارزان و دقیق بهمنظور تشخیص بیماری گیاهان در مراحل اولیه از اهمیت بهسزایی برخوردار است. در این پژوهش تصاویر از 40 لیلیوم آلوده به بیماری آتشک و 40 گیاه سالم توسط دوربین دیجیتال اخذ و پس از تقسیمبندی ...
بیشتر
تشخیص خودکار و بهموقع بیماریهای گیاهی، یک موضوع اساسی در نظارت و تولید محصولات سالم و باکیفیت است. لذا طراحی و توسعه روشی سریع، خودکار، ارزان و دقیق بهمنظور تشخیص بیماری گیاهان در مراحل اولیه از اهمیت بهسزایی برخوردار است. در این پژوهش تصاویر از 40 لیلیوم آلوده به بیماری آتشک و 40 گیاه سالم توسط دوربین دیجیتال اخذ و پس از تقسیمبندی تصاویر تعداد 9 ویژگی رنگی از سه کانال RGB، Lab و HSV از ساقه و برگ گیاه و همچنین یک ویژگی مورفولوژیکی (طول ساقه) از گیاه استخراج شد. با اعمال الگوریتم پرچینهای زبانی طی 100 هزار تکرار موثرترین این ویژگیها (L برگ، L ساقه، a برگ، b برگ، H برگ، b ساقه، H ساقه، V برگ و طول ساقه) انتخاب و بهوسیله خوشهبند k-means گروهبندی شدند. در نهایت نشان داده شد که دقت خوشهبند برای دو گونه بیمار، سالم و دقت کلی بهترتیب برابر با 96.42 و 100 و 97.63 درصد بهدست آمد.