پردازش تصویر
امید دوستی ایرانی؛ محمدحسین آق خانی؛ محمودرضا گلزاریان
چکیده
برداشت رباتیک محصولات کشاورزی فرآیندی مهم و موثر برای تولید میوه سالم، کاهش هزینه های برداشت و افزایش بهره وری است. با پیشرفت بینایی ماشین، استفاده از اطلاعات سه بعدی به جای اطلاعات دو بعدی در حال گسترش است. با این حال، برداشت فلفل دلمه ای به عنوان یکی از محصولات گلخانه ای، به دلیل دقت پایین سنسورهای دو بعدی با چالش هایی مواجه است. هدف ...
بیشتر
برداشت رباتیک محصولات کشاورزی فرآیندی مهم و موثر برای تولید میوه سالم، کاهش هزینه های برداشت و افزایش بهره وری است. با پیشرفت بینایی ماشین، استفاده از اطلاعات سه بعدی به جای اطلاعات دو بعدی در حال گسترش است. با این حال، برداشت فلفل دلمه ای به عنوان یکی از محصولات گلخانه ای، به دلیل دقت پایین سنسورهای دو بعدی با چالش هایی 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 سه بعدی بازسازی شده است. پس از استخراج ویژگی های هندسی و رنگ، دادهها با استفاده از روش زیر نمونه گیری و با اعمال معیار Z-score برای فیلتر کردن نویزها، پیش پردازش شدند. تحلیل مؤلفه اصلی (PCA) برای کاهش ابعاد ویژگی ها استفاده شد و مدل خوشه بندی k-means با استفاده از شش ویژگی هندسی و سه ویژگی رنگ، به داده ها اعمال شد. ضریب سیلوئت برای ارزیابی کیفیت خوشه بندی استفاده شد و ارزیابی انسانی نشان داد که الگوریتم با دقت 95.10 درصد قادر به تشخیص فلفل دلمه ای 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 42/96 و 100 و 63/97 درصد بهدست آمد.