پردازش تصویر
رجب کولجو؛ احمد سوسلو
چکیده
مقدار شاخص کلروفیل (تحلیل خاک و توسعه گیاه SPAD) پارامتر مهمی است که نشاندهنده محتوای کلروفیل، بهویژه در قسمتهای سبز گیاهان است. دستگاههای مرسوم اندازهگیری SPAD، این مقدار را با اندازهگیری انتقال و جذب تابش قرمز و مادون قرمز در یک نقطه واحد (اندازه حسگر 2×3 میلیمتر مربع) تعیین میکنند. با این حال، بهدست آوردن یک مقدار جامع ...
بیشتر
مقدار شاخص کلروفیل (تحلیل خاک و توسعه گیاه SPAD) پارامتر مهمی است که نشاندهنده محتوای کلروفیل، بهویژه در قسمتهای سبز گیاهان است. دستگاههای مرسوم اندازهگیری SPAD، این مقدار را با اندازهگیری انتقال و جذب تابش قرمز و مادون قرمز در یک نقطه واحد (اندازه حسگر 2×3 میلیمتر مربع) تعیین میکنند. با این حال، بهدست آوردن یک مقدار جامع برای کل برگ نیاز به اندازهگیریهای متعدد دارد که زمان پردازش را افزایش میدهد. در این مطالعه، یک روش غیرمخرب برای پیشبینی مقادیر SPAD با استفاده از تکنیکهای پردازش تصویر برای تعیین مقادیر طول موج غالب از عکسهای برگ توسعه داده شد. از یک جعبه تصویربرداری با نورپردازی LED سفید و شدت روشنایی 6000 لوکس برای گرفتن تصاویر از فاصله ثابت 15 سانتیمتر استفاده شد. تصاویر با استفاده از نرمافزار Color Picker (2024) پردازش شدند، که در آن اجزای سبز برگ برای استخراج مقادیر طول موج غالب تحلیل شدند. نتایج نشان داد که مقادیر SPAD را میتوان با استفاده از دادههای طول موج غالب، با دقت 98.33 % برای مدل خطی (1.308 RMSE) و دقت 98.43% برای مدل چندجملهای (5.476 RMSE) پیشبینی کرد. بررسی دقیقتر نشان داد که مدل خطی همبستگی دقیقتری ارائه میدهد. این رویکرد جدید، کارایی اندازهگیری SPAD را افزایش میدهد و جایگزینی سریع و غیرمخرب برای روشهای مرسوم میباشد.
پردازش تصویر
ام. کیرتیواسان؛ اس. کوکیلاوانی؛ ام. شانتی؛ گا. دیباکاران؛ آر. پنگایار سلوِی؛ ام. مورُوگان؛ تی. ایلایاباراتی؛ پی. اس. شانموگام؛ ام. سلوِوا کومار
چکیده
تاثیر یک مولفه جوی یا متغیر هواشناسی بر میزبان، پاتوژن یا تعامل آنها در محیطهای کنترلشده، بخش عمدهای از تاثیر تغییرات اقلیمی بر آفات و بیماریهای گیاهان را به خود اختصاص داده است. تغییرات اقلیمی میتواند منجر به تغییراتی در مراحل و سرعت رشد آفات و بیماریها، مقاومت میزبان و فیزیولوژی تعاملات میزبان-پاتوژن یا میزبان-آفت شود ...
بیشتر
تاثیر یک مولفه جوی یا متغیر هواشناسی بر میزبان، پاتوژن یا تعامل آنها در محیطهای کنترلشده، بخش عمدهای از تاثیر تغییرات اقلیمی بر آفات و بیماریهای گیاهان را به خود اختصاص داده است. تغییرات اقلیمی میتواند منجر به تغییراتی در مراحل و سرعت رشد آفات و بیماریها، مقاومت میزبان و فیزیولوژی تعاملات میزبان-پاتوژن یا میزبان-آفت شود که میتواند باعث آسیب قابلتوجه و کاهش عملکرد محصول گوجهفرنگی گردد. در سالهای گذشته، رویکردهای مختلف در پیشبینی دقیق آفات و بیماریها ناموفق بودهاند. ولی پیشرفت قابلتوجه در شبکههای عصبی کانولوشن عمیق (DCNN)، باعث ایجاد انقلابی در تشخیص زودهنگام آفات و بیماریها در محصولات کشاورزی شده است. این مدلهای هوش مصنوعی با تجزیه و تحلیل مقادیر زیادی از دادههای اقلیمی حال حاضر و گذشته، در کنار شناسایی اشیا و طبقهبندی تصاویر، میتوانند شیوع بیماریها را با دقت چشمگیری پیشبینی کنند. با این حال، درک ریزاقلیم خاص مناسب برای هر آفت و بیماری برای مداخله موثر بسیار مهم است. ترکیب دو عنصر دادههای اقلیمی با پردازش تصویر، یک رویکرد قدرتمند و هدفمند برای حفاظت از محصولات ایجاد میکند. یک سیستم هشداردهنده میتواند به کاهش استفاده از آفتکشها کمک کند و در نتیجه هزینه تولید محصول و آلودگی محیطزیست را کاهش دهد. برای پیشبینی بهتر آفات و بیماریها در شرایط مختلف، باید از سرورهای ابری مناسب و شبکههای حسگر مبتنی بر اینترنت اشیا استفاده کرد.
پردازش تصویر
علیرضا سلیمانی پور
چکیده
در سالهای اخیر، توسعه اتوماسیون و کاربرد رباتها برای انجام عملیات تکرارشونده و سنگین کشاورزی سرعت بیشتری پیدا کرده است. این امر ناشی از افزایش قدرت رایانهها در پردازش اطلاعات، توسعه پایگاه دادههای تصویری کلان، و همچنین توسعه مدلها و الگوریتمهای کاربردی در هوش مصنوعی است. در این مقاله، یک مدل تشخیص میوه خیار روی بوته در ...
بیشتر
در سالهای اخیر، توسعه اتوماسیون و کاربرد رباتها برای انجام عملیات تکرارشونده و سنگین کشاورزی سرعت بیشتری پیدا کرده است. این امر ناشی از افزایش قدرت رایانهها در پردازش اطلاعات، توسعه پایگاه دادههای تصویری کلان، و همچنین توسعه مدلها و الگوریتمهای کاربردی در هوش مصنوعی است. در این مقاله، یک مدل تشخیص میوه خیار روی بوته در محیط واقعی گلخانه، مبتنی بر یادگیری عمیق و بینایی رایانهای، طراحی و توسعه داده شد. ابتدا یک پایگاه تصویری مشتمل بر 300 تصویر با میزان شدت نور مختلف که در اوقات مختلف روز تهیه شده بود ایجاد شد. پس از برچسبگذاری تصاویر، عملیات دادهافزایی روی تصاویر آموزشی انجام شد. سپس، با آموزش الگوریتم تشخیص اشیاء YOLO میوه خیار و ساقه آن در محیط طبیعی گلخانه تشخیص داده شد. عملکرد چندین معماری مختلف الگوریتم YOLO شامل نسخه 5 در مقیاس نانو (YOLOv5n) و نسخه 8 در مقیاس نانو و کوچک (YOLOv8n و YOLOv8s) و همچنین مدل RT-DETR بر روی پایگاه تصویر جمعآوریشده آموزش و ارزیابی شد. نتایج مدلها براساس پارامترهای مختلف دقت و سرعت تشخیص با یکدیگر مقایسه شد. نتایج نشان داد مدل YOLOv8n، در مقایسه با سایر مدلهای هم ارز از دقت تشخیص بالاتری برخوردار است. صحت تشخیص این مدل در تشخیص میوه خیار و ساقه آن، بهترتیب برابر با 96.1 و 88.0 درصد بود. این در حالی بود که این مدل به لحاظ تعداد پارامتر و سرعت تشخیص هم عملکرد بسیار خوبی داشت. از این سامانه میتوان در توسعه روبات برداشت صیفیجات خودران استفاده کرد.
پردازش تصویر
محسن نجف آبادیها؛ داود محمدزمانی؛ محمد غلامی پرشکوهی
چکیده
در این مطالعه، راهبردی برای تشخیص بیماریهای برگ انگور با کمک پردازش تصویر RGB و تصمیمگیری گروهی وزنی ارائه شد. برای این منظور، پنج گروه بیماری به نامهای سرخک سیاه، پوسیدگی سیاه، سوختگی برگ، سفیدک پودری و سفیدک کرکی و گروهی از برگهای سالم با سه روش یادگیری ماشینی به نامهای ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و k-نزدیکترین ...
بیشتر
در این مطالعه، راهبردی برای تشخیص بیماریهای برگ انگور با کمک پردازش تصویر RGB و تصمیمگیری گروهی وزنی ارائه شد. برای این منظور، پنج گروه بیماری به نامهای سرخک سیاه، پوسیدگی سیاه، سوختگی برگ، سفیدک پودری و سفیدک کرکی و گروهی از برگهای سالم با سه روش یادگیری ماشینی به نامهای ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و k-نزدیکترین همسایه (k-NN) و ترکیب وزنی طبقهبندی شدند. در مرحله بعد، با توجه به دقت هر طبقهبندی، وزن هریک از آنها تعیین شد و در نهایت با استفاده از رای اکثریت، طبقهبندی نهایی بیماریها انجام شد. همچنین بهمنظور معرفی بهترین ویژگیهای بافت، رنگ و شکل استخراجشده از الگوریتم انتخاب ویژگی برجسته استفاده شد. این الگوریتم برای هر گروه از ویژگیهای استخراجشده، 5 مورد را بهعنوان بهترین و موثرترین ویژگی در تشخیص بیماریهای گیاهی از جمله برگ گیاه انگور به محققان ارائه کرد. نتایج دقت طبقهبندی باSVM، RF و k-NN بهترتیب 88.33، 80.08 و 75 درصد بود. نتایج نشان داد که الگوریتم تصمیمگیری گروه وزنی ارائهشده در این تحقیق توانایی بهبود دقت طبقهبندی بیماریهای گیاهی را با دقت 91.67 درصد دارد.
پردازش تصویر
محمدحسین نرگسی؛ کامران خیرعلی پور؛ فاطمه ولی زاده کاخکی؛ زهرا مرادی
چکیده
در حوزه کشاورزی، علاوه بر کودهای آلی، انواع مختلفی از کودهای شیمیایی به منظور افزایش حاصلخیزی خاک و ارتقای عملکرد گیاهان مورد استفاده قرار میگیرند. پتاسیم بهعنوان یکی از عناصر ضروری برای رشد گیاه، نقش کلیدی در فرآیندهایی نظیر فتوسنتز، سنتز کلروفیل و افزایش مقاومت گیاه در برابر تنشهای محیطی ایفا میکند. یکی از شاخصهای مهم ...
بیشتر
در حوزه کشاورزی، علاوه بر کودهای آلی، انواع مختلفی از کودهای شیمیایی به منظور افزایش حاصلخیزی خاک و ارتقای عملکرد گیاهان مورد استفاده قرار میگیرند. پتاسیم بهعنوان یکی از عناصر ضروری برای رشد گیاه، نقش کلیدی در فرآیندهایی نظیر فتوسنتز، سنتز کلروفیل و افزایش مقاومت گیاه در برابر تنشهای محیطی ایفا میکند. یکی از شاخصهای مهم در بررسی کیفیت کودهای پتاس، میزان اسیدیته آنهاست که تأثیر مستقیمی بر قابلیت جذب عناصر غذایی و اثربخشی کود دارد. در این پژوهش، با هدف توسعه روشی غیرمخرب و دقیق برای ارزیابی خصوصیات شیمیایی کود پتاسیم، از تصویربرداری فراطیفی در بازه طول موجی 400 تا 950 نانومتر استفاده شد. تصاویر چهار نمونه کود پتاسیم با سطوح متفاوت pH ثبت گردید و پس از پردازش اولیه، طول موجهای مؤثر شامل 453.32، 669.95، 798.11، 821.26، 901.47 و 932.06 نانومتر انتخاب شدند. از کانالهای تصویری متناظر با این طول موجها، مجموعهای از ویژگیهای طیفی و آماری استخراج شد. بهمنظور طبقهبندی سطوح مختلف pH، با استفاده از یادگیری ماشینی، از شبکه عصبی مصنوعی بهره گرفته شد. نتایج نشان داد مدل بهینه در حالت استفاده از تمامی ویژگیها دارای ساختار 42-6-4 و در حالت استفاده از ویژگیهای منتخب، دارای ساختار 7-4-4 است. دقت طبقهبندی این دو مدل بهترتیب برابر با 98.6 و 97.2 درصد بهدست آمد. یافتههای این مطالعه بیانگر آن است که ترکیب تصویربرداری فراطیفی و الگوریتمهای یادگیری ماشینی، روشی کارآمد، سریع، غیرمخرب و مقرون بهصرفه برای پایش کیفیت شیمیایی کودهای پتاس ارائه میدهد و میتواند جایگزین مناسبی برای روشهای آزمایشگاهی مرسوم باشد.
پردازش تصویر
میثم لطیفی عموقین؛ یوسف عباسپور گیلانده
چکیده
این پژوهش با هدف توسعه و ارزیابی یک روش غیرمخرب برای پیشبینی pH دو رقم آلو (خرمایی و خونی) با استفاده از سامانه تصویربرداری فراطیفی در حالت بازتابی انجام شد. اثر پیشپردازشهای مختلف طیفی بر عملکرد مدل رگرسیون حداقل مربعات جزئی بر روی طیف کامل دادهها بررسی شد. در هر دو رقم، بهترین عملکرد این الگوریتم با فیلتر گوسی در مرحله آزمون ...
بیشتر
این پژوهش با هدف توسعه و ارزیابی یک روش غیرمخرب برای پیشبینی pH دو رقم آلو (خرمایی و خونی) با استفاده از سامانه تصویربرداری فراطیفی در حالت بازتابی انجام شد. اثر پیشپردازشهای مختلف طیفی بر عملکرد مدل رگرسیون حداقل مربعات جزئی بر روی طیف کامل دادهها بررسی شد. در هر دو رقم، بهترین عملکرد این الگوریتم با فیلتر گوسی در مرحله آزمون با 0.8203=R2، 0.059=RMSE و 2.44=RPD برای رقم خرمایی و 0.8819=R2، 0.1411=RMSE و 3.01=RPD برای رقم خونی به ثبت رسید. در ادامه بهعنوان یک نوآوری از ترکیب الگوریتم درخت تصمیم با پنج الگوریتم فراابتکاری برای کاهش ابعاد دادهها استفاده شد که میان آنها الگوریتم بهینهسازی ازدحام ذرات عملکرد بهتری در انتخاب ویژگی داشت. درنهایت، مدلسازیpH بر روی طولموجهای منتخب با استفاده از مدلهای رگرسیون حداقل مربعات جزئی و شبکهی عصبی مصنوعی صورت پذیرفت. نتایج نشان داد که شبکهی عصبی مصنوعی بر روی طولموجهای منتخب الگوریتم بهینهسازی ازدحام ذرات، بهویژه برای آلو خونی، منجر به دقتهای پیشبینی بهمراتب بالاتری شد؛ بهطوریکه بهترین عملکرد این الگوریتم برای آلو خونی (با فیلتر گوسی) در مرحله آزمون به 0.9834=R2، 0.0512=RMSE و 01/8=RPD دستیافت، که نشاندهنده توانایی قابلتوجه اینروش برای اندازهگیری کمی دقیق است. برای آلو خرمایی نیز، بهترین عملکرد این الگوریتم (با دادههای بدون پیشپردازش و فیلتر میانه) در مرحله آزمون به 0.76=R2 و 2.12=RPD رسید که بهبود قابلتوجهی نسبت به الگوریتم رگرسیون حداقل مربعات جزئی نشان داد. این نتایج، نشاندهنده پتانسیل بالا این روش جهت استقرار در خطوط فرآوری برای کنترل کیفیت میوهها طی عملیات پس از برداشت میباشد.
پردازش تصویر
ایمان احمدی
چکیده
در موضوع بیماریهای گیاهی، انتخاب روشهای پیشگیری مناسب مانند کاربرد علفکشها تنها زمانی امکانپذیر است که نوع بیماری به سرعت و به دقت تشخیص داده شود. در این مطالعه یک مدل یادگیری انتقالی بر مبنای مدل از پیش آموزشدیده EfficientNet بهمنظور تشخیص و دستهبندی برخی از بیماریهای گوجهفرنگی با استفاده از 2340 تصویر از گیاه گوجهفرنگی ...
بیشتر
در موضوع بیماریهای گیاهی، انتخاب روشهای پیشگیری مناسب مانند کاربرد علفکشها تنها زمانی امکانپذیر است که نوع بیماری به سرعت و به دقت تشخیص داده شود. در این مطالعه یک مدل یادگیری انتقالی بر مبنای مدل از پیش آموزشدیده EfficientNet بهمنظور تشخیص و دستهبندی برخی از بیماریهای گوجهفرنگی با استفاده از 2340 تصویر از گیاه گوجهفرنگی بهعنوان پایگاه تصاویر آموزشی توسعه یافت. برمبنای نتایج این مطالعه در مرحله اعتبارسنجی مدل، نرخ دستهبندی تصاویر در حدود 5 fps (5 فریم در ثانیه) بود که برای مدل یادگیری عمیقی که روی رایانه مجهز به CPU معمولی اجرا میشود، منطقی است. بهعلاوه چون منحنیهای صحت و هزینه مربوط به مراحل آموزش و آزمایش در عددهای دوره بیش از 20 تقریباً افقی شده بودند (از نظر عددی، بدترین ضریب تغییرات دادههای مربوط به این چهار حالت 7% بود)، مدل بهخوبی آموزش دیده است و افزایش عدد دوره به افزایش صحت مدل منجر نخواهد شد. بهعلاوه سلولهای واقع در قطر اصلی ماتریس در همریختگی مربوط به عملکرد مدل روی تصاویر آزمون با اعداد بزرگتری در مقایسه با محتوای سایر سلولهای ماتریس پر شده بودند، بهطور دقیق 88.8%، 7.7%، و 3.3% از سلولهای باقیمانده (جاییکه سلولهای مربوط به قطر اصلی ماتریس کنار گذاشته شده بودند) بهترتیب با اعداد 0 و 1 و 2 پر شده بودند. در نهایت مقادیر حساسیت، اختصاصیت، دقت، نمره F1 و صحت مدل بهترتیب برابر با 85%، 98%، 86%، 84% و 85% بود.
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.
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
حسین باقرپور؛ فرهاد فاتحی؛ علیرضا شجاعیان؛ رضا باقرپور
چکیده
در برخی کشورها، فندقها به دلیل محدودیتهای فناوری موجود و افزایش طول عمر نگهداریشان، معمولاً با پوسته مصرف میشوند. بنابراین، فندقهای خندان مشتری پسندی بالاتری دارند. در مقیاس نیمهصنعتی، فندقهای خندان و دهان بسته در حال حاضر از طریق بازرسی بصری از یکدیگر جدا میشوند. این مطالعه بهمنظور توسعه یک الگوریتم جدید برای جداسازی ...
بیشتر
در برخی کشورها، فندقها به دلیل محدودیتهای فناوری موجود و افزایش طول عمر نگهداریشان، معمولاً با پوسته مصرف میشوند. بنابراین، فندقهای خندان مشتری پسندی بالاتری دارند. در مقیاس نیمهصنعتی، فندقهای خندان و دهان بسته در حال حاضر از طریق بازرسی بصری از یکدیگر جدا میشوند. این مطالعه بهمنظور توسعه یک الگوریتم جدید برای جداسازی فندقهای خندان از فندقهای ترکخورده یا دهان بسته انجام شده است. در رویکرد اول، تکنیکهای کاهش بعد مانند روشهای مبتنی بر انتخاب ویژگی (SFFS) و تحلیل مؤلفه اصلی (PCA) برای انتخاب یا استخراج ترکیبی از ویژگیهای رنگ، بافت و خاکستری بهعنوان ورودی مدل استفاده شدند. در رویکرد دوم، ویژگیهای به شکل انفرادی مستقیماً بهعنوان ورودیها استفاده شدند. در این مطالعه، سه مدل معروف یادگیری ماشین، شامل ماشین بردار پشتیبان (SVM)، نزدیکترین همسایهها (KNN) و پرسپترون چندلایه (MLP) مورد استفاده قرار گرفتند. نتایج نشان داد که روش SFFS تأثیر بیشتری در بهبود عملکرد مدلها نسبت به روش PCA دارد. با این حال، تفاوت معنیداری بین عملکرد مدلهای توسعهیافته با ویژگیهای ترکیبی (98.00%) و عملکرد مدلهای با استفاده از ویژگیهای انفرادی (98.67%) وجود نداشت. نتایج کلی این مطالعه نشان داد که مدل MLP با یک لایه پنهان، دراپ اوت برابر با 0.3 و 10 نورون، با استفاده از ویژگی HOG بهعنوان ورودی، انتخاب خوبی برای طبقهبندی فندقها به دو دسته خندان و دهان بسته میباشد.
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.
پردازش تصویر
سامان آبدانان مهدی زاده
چکیده
با وجود کاهش شدید منابع آبی ایران و رشد روزافزون جمعیت، نیاز به تولید غذا و محصولات کشاورزی بیش از گذشته است. در گذشته، اغلب کاشت گیاهان بهصورت کشت مستقیم بذر صورت میپذیرفت و منابع آبی بسیار خصوصا آبهای زیرزمینی برای کشت مستقیم بذر و جوانهزنی گیاه مصرف میشد. از جمله روشهای کاهش مصرف آب، کود و سموم کشت نشایی بهجای کشت مستقیم ...
بیشتر
با وجود کاهش شدید منابع آبی ایران و رشد روزافزون جمعیت، نیاز به تولید غذا و محصولات کشاورزی بیش از گذشته است. در گذشته، اغلب کاشت گیاهان بهصورت کشت مستقیم بذر صورت میپذیرفت و منابع آبی بسیار خصوصا آبهای زیرزمینی برای کشت مستقیم بذر و جوانهزنی گیاه مصرف میشد. از جمله روشهای کاهش مصرف آب، کود و سموم کشت نشایی بهجای کشت مستقیم بذر است. لذا هدف از پژوهش حاضر مدلسازی دینامیکی و ساخت سامانه کاشت بذر در سینی نشاء در نظر گرفته شد. بدین منظور ابتدا یک بازوی کارنده مدلسازی و موقعیت کارنده در هر لحظه بهدست آمد. سپس براساس مدلسازی دینامیکی بازو ساخته و عملیات کشت بذر در سینی نشاء صورت پذیرفت. ارزیابی سامانه کاشت دو سطح سرعت پیشروی 5 و 10 سانتیمتر بر ثانیه برای بذر چغندرقند انجام گرفت که ظرفیـت نامی این بذرکار بین 3579 تا 4613 سلول در ساعت بود. در ضمن شاخصهای نکاشت و چندگانه کاشت در 3000 سلول نیز بهترتیب 0.03 و 8.17 درصد بهدست آمد. با توجه به دقت کاشت، سرعت عملکرد کارنده و همچنین مصرف اندک انرژی (25.56 واتساعت) این سامانه توانایی جایگزینی بذرکاری دستی در سینی نشاء را دارد.
پردازش تصویر
شهرزاد فلاحت نژاد ماهانی؛ اعظم کرمی
چکیده
در سالهای اخیر استفاده از یادگیری عمیق در کشاورزی دقیق بهمنظور تشخیص و شمارش آفات و یا بیماریهای گیاهان، سمپاشی هوشمند، تخمین سطح زیر کشت و نظارت بر روند رشد گیاهان جهت مقابله با عوامل بازدارنده و یا کاهشدهنده رشد و با هدف افزایش بهرهوری محصولات کشاورزی به سرعت رو به افزایش است. در این مقاله، به طراحی الگوریتمی برگرفته از ...
بیشتر
در سالهای اخیر استفاده از یادگیری عمیق در کشاورزی دقیق بهمنظور تشخیص و شمارش آفات و یا بیماریهای گیاهان، سمپاشی هوشمند، تخمین سطح زیر کشت و نظارت بر روند رشد گیاهان جهت مقابله با عوامل بازدارنده و یا کاهشدهنده رشد و با هدف افزایش بهرهوری محصولات کشاورزی به سرعت رو به افزایش است. در این مقاله، به طراحی الگوریتمی برگرفته از شبکه عصبی عمیق YOLOv5s جهت تشخیص و شمارش خودکار کاکلهای گیاه ذرت پرداخته شده است. برای این منظور، از تصاویر اخذ شده توسط پهپاد از مزرعه ذرت در دو تاریخ متفاوت جهت آموزش و ارزیابی شبکه استفاده گردیده و با توجه به نوع و اندازه داده به اعمال تغییراتی در معماری و تابع فعالسازی الگوریتم اصلی YOLOv5s با هدف افزایش تعداد پارامترهای شبکه، کاهش بیش برازش و افزایش دقت تشخیص پرداخته شد و الگوریتم Modified YOLOv5s که به اختصار MYOLOv5s نام دارد بهعنوان نسخه بهبودیافته YOLOv5s با قابلیت شناسایی و شمارش کاکلهای ذرت با مقادیر ضریب تبیین (R2) 99.28 درصد و دقت متوسط (AP) 95.30 درصد حاصل شد. همچنین، عملکرد روش پیشنهادی بهکار گرفته شده در این مقاله با الگوریتمهای معتبر معرفی شده در این زمینه ,TasselNetv2+ Faster R-CNN و RetinaNet مقایسه گردید. نتایج بهدستآمده نشان میدهد که مقادیر ضریب تبیین برای این سه شبکه بهترتیب 77.86، 86.83 و 95.53 درصد میباشد. همچنین برای الگوریتمهای Faster R-CNN و RetinaNet مقادیر دقت متوسط 76.99 و 77.66 درصد بهدست آمد. این نتایج نشان میدهند که الگوریتم MYOLOv5s حداکثر مقادیر ضریب تبیین R2 و دقت متوسط (AP)، دقت (Precision) و یادآوری (Recall) را دارد که بیانگر کارایی بالای روش پیشنهادی در تشخیص کاکل ذرت است. شایان ذکر است MYOLOv5s با دارا بودن سرعت پردازش 84 فریم بر ثانیه سریعترین روش در تشخیص کاکل ذرت محسوب میگردد.
پردازش تصویر
محمد فلاح؛ عبادت قنبری پرمهر
چکیده
در بین محصولات کشاورزی، برنج یکی از اصلیترین منابع غذایی در کشورهای خاورمیانه، بهویژه ایران است. مقابله موثر و بههنگام با آفات مزارع برنج، یکی از بزرگترین چالشهای پیش رو در زمینه زراعت این محصول است. کرم ساقهخوار برنج (Chilo suppressalis) از آفات کلیدی گیاه برنج در شمال ایران میباشد. در حال حاضر، تشخیص نوع آفتهایی که به مزارع برنج ...
بیشتر
در بین محصولات کشاورزی، برنج یکی از اصلیترین منابع غذایی در کشورهای خاورمیانه، بهویژه ایران است. مقابله موثر و بههنگام با آفات مزارع برنج، یکی از بزرگترین چالشهای پیش رو در زمینه زراعت این محصول است. کرم ساقهخوار برنج (Chilo suppressalis) از آفات کلیدی گیاه برنج در شمال ایران میباشد. در حال حاضر، تشخیص نوع آفتهایی که به مزارع برنج هجوم میبرند به نیروی انسانی و تجربه کافی متکی است. تشخیص آفت در مراحل اولیه بهمنظور به حداقل رساندن خسارت بهعنوان اقدام پیشگیرانه ضروری است. توسعه هوش مصنوعی و الگوریتمهای یادگیری ماشین، دریچه جدیدی را در صنایع مختلف از جمله کشاورزی صنعتی ایجاد کرده است. با استفاده از یادگیری ماشین میتوان تا حدود زیادی از خطاهای موجود در شناسایی آفت جلوگیری کرد. از طرف دیگر در سالهای اخیر همگانی شدن استفاده از تلفن همراه هوشمند و توسعه شیوه دریافت اطلاعات داوطلبانه، امکان پایش خودکار بهمنظور کاهش نیروی انسانی برای کشاورزان فراهم شده است. هدف از این تحقیق، شناسایی خودکار کرم ساقهخوار برنج با استفاده از تصاویر تلفن همراه و معرفی و توسعه یک برنامه کاربردی برای کشاورز جهت شناسایی دقیق آفت است. از برنامه کاربردی توسعهداده شده برای کشاورز بهمنظور دریافت تصاویر کرم ساقهخوار برنج برای آموزش شبکه عصبی عمیق استفاده شد. سپس، با استفاده از تکنیکهای یادگیری عمیق به آموزش مدل پرداخته شد. نتایج حاصل نشان داد که مدل آموزشدیده با استفاده از تصاویر تلفن هوشمند با دقت 92 درصد و صحت 88 درصد عملکرد مناسبی در تشخیص آفت کرم ساقهخوار دارد.
پردازش تصویر
داود محمدزمانی؛ سید محمد جاویدان؛ معین زند؛ محمد رسولی
چکیده
در این مطالعه، یک رویکرد شبکه عصبی برای تعیین محل دقیق میوه خیار بر روی تصاویر گلخانهای پیشنهاد شده است. برای این منظور پس از متعادل کردن هیستوگرام روشنایی تصویر مورد نظر، تصویر را با پنجرهای حاوی تصویر میوه خیار ضرب میکند که باعث میشود در مناطق مشکوک به خیار ضرایب بزرگتری بهدست آید. با استخراج این حداکثرهای محلی، خوشههایی ...
بیشتر
در این مطالعه، یک رویکرد شبکه عصبی برای تعیین محل دقیق میوه خیار بر روی تصاویر گلخانهای پیشنهاد شده است. برای این منظور پس از متعادل کردن هیستوگرام روشنایی تصویر مورد نظر، تصویر را با پنجرهای حاوی تصویر میوه خیار ضرب میکند که باعث میشود در مناطق مشکوک به خیار ضرایب بزرگتری بهدست آید. با استخراج این حداکثرهای محلی، خوشههایی از نقاط اولیه بهعنوان پنجرههای احتمالی وجود خیار بهدست میآید. سپس برای تشخیص دقیق محل قرارگیری خیارها، این نقاط و نواحی اطراف آنها به یک شبکه عصبی که با استفاده از تعدادی تصویر شامل تصاویر خیار، تصاویر غیر خیار و پاسخ بهینه آنها آموزش داده شده است، ارجاع داده میشود. مناطق بهدستآمده از این شبکه منجر به تشخیص دقیق محل خیارها در تصویر شد. روش پیشنهادی در جعبه ابزار Simulink نرمافزار متلب پیادهسازی شد. سپس روش پیشنهادی با استفاده از این ساختار شبکه شبیهسازی شد و بر روی 120 تصویر بهدستآمده از یک گلخانه توسط دوربین دیجیتال آزمایش شد. این روش خطای پایینی داشت و توانست نرخ بالایی را در زمان مناسب میوههای خیار در تصاویر کشفشده تشخیص دهد.
پردازش تصویر
آرش مصری؛ فاطمه رحیمی اجدادی؛ ایرج باقری
چکیده
سنجش از دور، یکی از ابزارهای کارآمد برای بررسی روند تغییرات سطح زیرکشت محصولات کشاورزی و باغی در سطوح وسیع و زمان کوتاه است. سیاستگذاران با آگاهی از این اطلاعات، میتوانند تصیمات صحیح و بهموقعی داشته باشند. مطالعهی حاضر، با هدف تخمین سطح زیرکشت شالیزارهای برنج در بخش کیاشهر استان گیلان انجام شد. از تصاویر سنجنده TM ماهواره لندست ...
بیشتر
سنجش از دور، یکی از ابزارهای کارآمد برای بررسی روند تغییرات سطح زیرکشت محصولات کشاورزی و باغی در سطوح وسیع و زمان کوتاه است. سیاستگذاران با آگاهی از این اطلاعات، میتوانند تصیمات صحیح و بهموقعی داشته باشند. مطالعهی حاضر، با هدف تخمین سطح زیرکشت شالیزارهای برنج در بخش کیاشهر استان گیلان انجام شد. از تصاویر سنجنده TM ماهواره لندست 5 و سنجنده OLI ماهواره لندست 8 بهمنظور تهیه نقشههای کاربری اراضی استفاده شد. ابتدا، تصحیح هندسی و اتمسفری بر روی تصاویر صورت گرفت. سپس، با استفاده از الگوریتم طبقهبندی نظارت شده حداکثر احتمال، نقشههای کاربری اراضی منطقه با هفت کاربری شامل اراضی برنج، جنگل نیمهانبوه، جنگل تنک، مناطق مسکونی، مناطق آبی، پهنههای ماسهای و سایر اراضی تهیه شد. در ادامه، مساحت هر یک از کاربریها محاسبه شد و روند تغییرات، مورد مقایسه قرار گرفت. دقت کلّی و ضریب کاپای طبقهبندی بهترتیب معادل 98.45% و 0.98 برای سال 2000، 97.59% و 0.97 برای سال 2010 و 98.72% و 0.98 برای سال 2020 بهدست آمد. نتایج نشان داد که اراضی برنج در یک بازه 20 ساله، با کاهش 6.94 درصدی همراه بوده، بهطوریکه مساحت آن از 11080.66 هکتار در سال 2000 به 10311.69 هکتار در سال 2020 رسیده است. همچنین، در این مدّت مناطق مسکونی و جنگلهای تنک بهمیزان 67.94 و 18.73 درصد رشد کردهاند، اما جنگلهای نیمهانبوه، مناطق آبی و پهنههای ماسهای بهترتیب 61.32، 4.91 و 61.48 درصد کاهش داشتند. با توجه به نتایج، توجه جدّی به تغییر کاربری اراضی برنج و تخریب جنگلها ضروری میباشد.
پردازش تصویر
زینب عزیزپور؛ حسنعلی واحدی؛ علی نجات لرستانی
چکیده
استراتژی مدیریت تلفیقی آفات (IPM)، به پایش پیوسته جمعیت آفات وابسته است، این کار نه تنها زمانبر است، بلکه وابستگی زیادی به داوری انسان دارد و پر هزینه نیز میباشد. استفاده از روشهای هوش مصنوعی به جای تصمیمگیریهای دستی و انسانی، علاوه بر این که سبب افزایش بهرهوری میگردد، از دقت بالایی نیز برخوردار است. پسته، یک محصول تجاری ...
بیشتر
استراتژی مدیریت تلفیقی آفات (IPM)، به پایش پیوسته جمعیت آفات وابسته است، این کار نه تنها زمانبر است، بلکه وابستگی زیادی به داوری انسان دارد و پر هزینه نیز میباشد. استفاده از روشهای هوش مصنوعی به جای تصمیمگیریهای دستی و انسانی، علاوه بر این که سبب افزایش بهرهوری میگردد، از دقت بالایی نیز برخوردار است. پسته، یک محصول تجاری است و هر ساله خسارت زیادی توسط حشرات به تولیدکنندگان این محصول وارد میشود. گروهی از آفات پسته عمدتاً از میوه پسته تغذیه میکنند، که از این گروه زنجرک پسته، دارای اهمیت زیادی میباشد. در این تحقیق زنجرک پسته بهعنوان حشره هدف جهت شناسایی انتخاب شد. برای جمعآوری نمونهها از کارتهای زرد چسبنده استفاده شد. 357 خصوصیت رنگی و 20خصوصیت شکلی برای شناسایی زنجرک پسته بهوسیله الگوریتم پردازش تصویر استخراج شد. خصوصیات رنگی به دو دستهی خصوصیات مربوط به میانگین و انحرافمعیار و خصوصیات مربوط به شاخصهای سبزی تقسیم شدند. از 17 فضای رنگی مختلف مثل RGB، HSV و غیره برای استخراج خصوصیات و از روش هیبرید شبکه عصبی مصنوعی-الگوریتم بهینهسازی ازدحام ذرات (ANN-PSO) برای انتخاب خصوصیات مؤثر استفاده گردید. خصوصیات مؤثر انتخابی جهت طبقهبندی حشرات عبارتند از: شاخص رنگی برای پوشش گیاهی استخراجی مربوط به فضای رنگی HSL، شاخص تفاضل نرمال شده مربوط به فضای رنگی LCH، کانال خاکستری مربوط به فضای رنگی YCbCr، شاخص مؤلفه دوم منهای مؤلفه سوم مربوط به فضای رنگی YCbCr، مساحت و میانگین مؤلفه های اول، دوم و سوم فضای رنگی Luv. نرخ شناسایی الگوریتم پردازش تصویر طراحی شده، 99.72درصد کل اشیا (زنجرک پسته، سوسک چوبخوار قرمز پسته و سایر حشرههای غیر هدف و متفرقه) میباشد. شبکههای عصبی مصنوعی، توانایی طبقهبندی حشرات به سه کلاس (زنجرک پسته، سوسک چوبخوار قرمز پسته و سایر حشرههای غیر هدف و متفرقه) و دو کلاس (زنجرک پسته و سوسک چوبخوار قرمز پسته) بهترتیب با دقت 91.53 و 99.59 درصد را دارند.
پردازش تصویر
علی یوسفوند؛ جعفر امیری پریان
چکیده
کنترل بیماریها و آفات گردو مستلزم تعیین نقشه گستردگی آلودگیها در کمترین زمان ممکن میباشد. پردازش تصویر بهعنوان رویکردی برای تعیین میزان و نوع آسیبدیدگی محصولات مختلف در مزارع و باغات ارائه شده است. هدف از انجام این پژوهش، تشخیص بیماری آنتراکنوز برگ درختان گردو با استفاده از روش پردازش تصویر میباشد. تشخیص بیماری در باغ ...
بیشتر
کنترل بیماریها و آفات گردو مستلزم تعیین نقشه گستردگی آلودگیها در کمترین زمان ممکن میباشد. پردازش تصویر بهعنوان رویکردی برای تعیین میزان و نوع آسیبدیدگی محصولات مختلف در مزارع و باغات ارائه شده است. هدف از انجام این پژوهش، تشخیص بیماری آنتراکنوز برگ درختان گردو با استفاده از روش پردازش تصویر میباشد. تشخیص بیماری در باغ و با استفاده از تصاویر گرفته شده از برگهای واقع بر روی درخت انجام گرفت تا با عملیاتی با بار محاسباتی اندک و الگوریتمی به دور از پیچیدگی محاسباتی، زمینه لازم برای طراحی نرمافزارهای کاربردی بر روی سامانههای مکاترونیکی هوشمند فراهم گردد. بدین منظور تصاویری از برگهای سالم گردو و همچنین نقاط آلوده به بیماری آنتراکنوز گرفته شد. الگوریتم شناسایی بیماری آنتراکنوز مبتنی بر ویژگیهای رنگی و شکلشناسی برگها و لکههای ناشی از بیماری بود. نتایج حاصل از ارزیابی روش ارائه شده برای تشخیص بیماری آنتراکنوز، دقت تفکیک 98 درصد را نشان داد. شدت آلودگی محاسبه شده توسط الگوریتم با شدت آلودگی حقیقی مقایسه شد و نتایج استفاده از آزمون توزیع t برای مقایسه میانگین دو نمونه (شدت آلودگی محاسبه شده توسط الگوریتم و شدت آلودگی حقیقی) نشان داد که بین دو گروه در سطح احتمال 0.01 اختلاف معنیداری وجود ندارد.
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.
پردازش تصویر
احمد حیدری؛ جعفر امیری پریان
چکیده
شناسایی و ردیابی به موقع آفات در گلخانه یک امر حیاتی جهت کنترل آفات و بیماریها، کاهش خسارت و افزایش عملکرد محصول میباشد. آفات مختلفی از قبیل سفید بالکها، تریپسها، شتهها و غیره در خسارت به محصول و در نتیجه کاهش آن موثر هستند. در این پژوهش، شناسایی و شمارش آفات مهم گلخانه (سفید بالک و تریپس) از طریق کارتهای چسبان زرد رنگ به کمک ...
بیشتر
شناسایی و ردیابی به موقع آفات در گلخانه یک امر حیاتی جهت کنترل آفات و بیماریها، کاهش خسارت و افزایش عملکرد محصول میباشد. آفات مختلفی از قبیل سفید بالکها، تریپسها، شتهها و غیره در خسارت به محصول و در نتیجه کاهش آن موثر هستند. در این پژوهش، شناسایی و شمارش آفات مهم گلخانه (سفید بالک و تریپس) از طریق کارتهای چسبان زرد رنگ به کمک پردازش تصویر انجام شد. ابتدا از کارتهای نصب شده در گلخانه در طول روز با دوربین دیجیتال عکس گرفته شد. سپس بر اساس طراحی الگوریتمی به منظور استخراج مولفههای رنگی و اندازه اشیاء از تبدیلات فضای رنگ، آستانهگیری، حذف نویز، عملیات مرفولوژیکی برچسبزنی به همبندها برای شناسایی و شمارش حشرات سفید بالک و تریپس به تله افتاده بر روی کارتهای چسبان زرد استفاده شد. به کمک روش ماتریس اغتشاش، دقت الگوریتم پیشنهادی بررسی شده که این مقدار برابر با 5/94 و 4/87 درصد بهترتیب برای شناسایی سفید بالک و تریپس محاسبه شد.
پردازش تصویر
پریسا عطائیان؛ پرویز احمدی مقدم؛ ابراهیم سپهر
چکیده
کربن آلی خاک منبع عظیمی از مواد مغذی برای گیاه بوده و بهعنوان عاملی فعال در گسترش ساختمان خاک، نقش مهمی در بهبود حاصلخیزی خاکهای کشاورزی دارد. هدف اصلی از این پژوهش، تخمین میزان کربن آلی خاک در زمینهای کشاورزی با استفاده از یک روش ساده، سریع و کم هزینه میباشد. 80 نمونه خاک از مزارع کشاورزی شمال آذربایجان غربی تا جنوب استان بهصورت ...
بیشتر
کربن آلی خاک منبع عظیمی از مواد مغذی برای گیاه بوده و بهعنوان عاملی فعال در گسترش ساختمان خاک، نقش مهمی در بهبود حاصلخیزی خاکهای کشاورزی دارد. هدف اصلی از این پژوهش، تخمین میزان کربن آلی خاک در زمینهای کشاورزی با استفاده از یک روش ساده، سریع و کم هزینه میباشد. 80 نمونه خاک از مزارع کشاورزی شمال آذربایجان غربی تا جنوب استان بهصورت انتخابی جمعآوری شد و پس از تعیین مقدار کربن آلی نمونهها در آزمایشگاه، نمونهها در شرایط کنترل شده مورد تصویربرداری قرار گرفتند. تصاویر رنگی در چندین فضای رنگی مختلف تحلیل شدند و در هر فضای رنگی، مدلهای شبکه عصبی و رگرسیون چندگانه برای برآورد میزان کربن آلی خاک توسعه یافت. نتایج مدلسازی خطی نشان داد که بالاترین ضریب همبستگی در فضاهای رنگی LAB و LUV بهترتیب 0/91 و 0/92 برای مدلهای استخراج شده از مؤلفههای این فضاها و کربن آلی خاک بهدست آمد. نتایج حاصل از طبقهبندی بهوسیله شبکه عصبی نشان داد که ضریب همبستگی در فضای RGB بالاترین مقدار را داشته و برابر با 0/94 بوده است. نتایج نشان داد که در تمامی فضاها مدلسازی شبکه عصبی دقت مدل را افزایش داده است.
پردازش تصویر
فائزه بهزادی پور؛ محمود قاسمینژاد رایینی؛ محمدامین آسودار؛ افشین مرزبان؛ سامان آبدانان مهدی زاده
چکیده
امروزه، اهمیت کیفیت سمپاشی در سمپاش ها و بهره مندی بیشتر از دستگاه سمپاش و سم مصرفی مهمترین مسئله پیش روی کاربران و سازندگان سمپاش ها است. بنابراین آزمایشی با سمپاش توربینی زراعی (توربولاینر) مدل توربینا اس.ای.800 به صورت آزمایش فاکتوریل با سه فاکتور در قالب طرح کاملاً تصادفی با سه تکرار انجام شد. تیمارهای آزمایشی ...
بیشتر
امروزه، اهمیت کیفیت سمپاشی در سمپاش ها و بهره مندی بیشتر از دستگاه سمپاش و سم مصرفی مهمترین مسئله پیش روی کاربران و سازندگان سمپاش ها است. بنابراین آزمایشی با سمپاش توربینی زراعی (توربولاینر) مدل توربینا اس.ای.800 به صورت آزمایش فاکتوریل با سه فاکتور در قالب طرح کاملاً تصادفی با سه تکرار انجام شد. تیمارهای آزمایشی شامل فشار سمپاشی با سه سطح 1000، 2500 و 3500 کیلوپاسکال، دور پروانه با دو سطح 1998 و2430 دور در دقیقه و سرعت پیشروی با دو سطح 9 و 5/13 کیلومتر بر ساعت بودند. آنالیز تصاویر با نرم افزارهای ImageJ وMATLAB R2015a انجام گردید. نتایج نشان داد که با افزایش فشار، قطر حجمی50 درصد، قطر میانه عددی و شاخص کیفیت پاشش دارای روندی کاهشی بودند و افزایش دور پروانه و سرعت پیشروی موجب کاهش قطر حجمی 50 درصد و قطر میانه عددی شد. در ترکیب تیمارها، افزایش فشار و دور پروانه، باعث کاهش 72، 69 و 46 درصد بهترتیب در قطر حجمی 50 درصد، قطر میانه عددی و شاخص کیفیت پاشش شد. با توجه به اهمیت شاخص کیفیت پاشش در این آزمایش، بیشترین میزان این شاخص (91/2) در حالتی رخ داد که دستگاه با فشار 1000 کیلوپاسکال، دور پروانه 2430 دور در دقیقه و سرعت پیشروی 9 کیلومتر بر ساعت تنظیم شده بود.
پردازش تصویر
هابیل آسایی؛ عبدالعباس جعفری؛ محمد لغوی
چکیده
در روشهای معمول سمپاشی در باغها، سمپاشی هدفدار انجام نمیشود. بررسی آمار مصرف سموم شیمیایی در باغها نشاندهنده مصرف بیش از حد مورد نیاز گیاه بوده و از این مقدار سم مصرفشده، تنها 30 درصد آن به تاج درخت می رسد و باقیمانده آن از دسترفته و باعث خسارت میشود. سمپاشهای نرخ متغیر با استفاده از سیستمهای کنترل هوشمند تا ...
بیشتر
در روشهای معمول سمپاشی در باغها، سمپاشی هدفدار انجام نمیشود. بررسی آمار مصرف سموم شیمیایی در باغها نشاندهنده مصرف بیش از حد مورد نیاز گیاه بوده و از این مقدار سم مصرفشده، تنها 30 درصد آن به تاج درخت می رسد و باقیمانده آن از دسترفته و باعث خسارت میشود. سمپاشهای نرخ متغیر با استفاده از سیستمهای کنترل هوشمند تا حد زیادی در کاهش استفاده از آفتکشها و کاهش آلودگی محیطزیست در باغها کارایی دارند. در این تحقیق نمونه اولیه سمپاش باغی مبتنی بر فناوری ماشین بینایی ارزیابی شد. سمپاش ساختهشده براساس ساختار تاج درخت و میزان سبزینه، عمل سمپاشی را بهصورت بیدرنگ انجام میدهد و بهرهوری از سمپاشی در باغ را بهبود میبخشد. عملکرد سمپاش در باغ زیتون در دو حالت مختلف سمپاشی بهصورت سراسر پاشی و سمپاشی منقطع هدفدار مبتنی بر سایهانداز درخت و فناوری ماشین بینایی مقایسه شد. این عملکرد در سه سرعت پیشروی مختلف (2، 3/5 و 5 کیلومتر بر ساعت) و چهار تکرار با استفاده از طرح کاملاً تصادفی انجام شد. نتایج نشان داد در کاربرد سمپاش طراحیشده جدید، برای باغ زیتون، مصرف سم تقریباً 54 درصد کاهش یافت. با توجه به عدم پاشش سم در فضای خالی بین درختان، در باغهای جوان، که دارای درختان کوچکتر هستند و فاصله بین تاج درختان زیادتر است، میزان کاهش مصرف سم، از این مقدار فراتر خواهد رفت.
پردازش تصویر
علیرضا عبداله نژاد باروق؛ محمد عادلی نیا؛ مجید محمدی
چکیده
پسته از نظر شکاف پوست به دو دسته خندان (درباز) و ناخندان (دربسته) و از نظر مغز به دو دسته مغزدار و پوک تقسیم میشود. پستههای پوک و دربسته غالباً جزء محصول درخت پسته بوده و به دلیل ارزش کمتر نسبت به نوع مغزدار درباز باید دستهبندی شوند. هدف این پژوهش ارائه روشی هوشمند برای مرتبسازی پستههای دربسته، درباز مغزدار و پوک میباشد. دادههای ...
بیشتر
پسته از نظر شکاف پوست به دو دسته خندان (درباز) و ناخندان (دربسته) و از نظر مغز به دو دسته مغزدار و پوک تقسیم میشود. پستههای پوک و دربسته غالباً جزء محصول درخت پسته بوده و به دلیل ارزش کمتر نسبت به نوع مغزدار درباز باید دستهبندی شوند. هدف این پژوهش ارائه روشی هوشمند برای مرتبسازی پستههای دربسته، درباز مغزدار و پوک میباشد. دادههای مورد نیاز برای دستهبندی با استفاده از تصاویر تهیه شده از نمونههای دربسته، مغزدار و پوک پسته با شرایط یکسان، تأمین شده است. به این ترتیب که ابتدا برای استخراج تصویر پسته از پس زمینه آن، تصاویر تهیه شده به کمک تکنیکهای پردازش تصویر، قطعهبندی شده و پس از انجام فیلترهایی بر روی تصاویر حاصل، برای تعیین با ارزشترین ویژگیها جهت دستهبندی، از الگوریتم یادگیری ماشین C4.5 و درخت تصمیم استفاده شد. ویژگیهای ممان و اسکلت بهعنوان با ارزشترین ویژگیها انتخاب شده و بر این اساس قوانین بهدست آمده از درخت تصمیم به یک سیستم نرو-فازی تطبیقپذیر تغذیه شدند. این قوانین بهصورت اگر-آنگاه بودند که با پیمایش بالا به پایین حریص از ریشه تا برگ توسط الگوریتم C4.5 استخراج شده بودند. شبکه نروفازی ابتدا با استفاده از دادههای استخراج شده مربوط به 200 نمونه شامل انواع دربسته، پوک و مغزدار و با دقت 95/8% آموزش داده شد. همچنین از 100 نمونه برای آزمایش سیستم با دقت97% استفاده شد.
پردازش تصویر
سیدحسین پیمان؛ عادل بخشی پور زیارتگاهی؛ عبدالعباس جعفری
چکیده
در مباحث نوین کشاورزی، بررسی روشهای سریع، خودکار، ارزان و دقیق برای تشخیص بیماریهای گیاه از اهمیت زیادی برخوردار است. تشخیص به موقع و دقیق بیماری در مزارع، از مهمترین فاکتورهای مقابله با بیماریهای گیاهی میباشد. در این تحقیق توانایی تکنیک پردازش تصویر در تشخیص دو بیماری مهم برنج (لکه قهوهای و بلاست برگ برنج) مورد بررسی قرار ...
بیشتر
در مباحث نوین کشاورزی، بررسی روشهای سریع، خودکار، ارزان و دقیق برای تشخیص بیماریهای گیاه از اهمیت زیادی برخوردار است. تشخیص به موقع و دقیق بیماری در مزارع، از مهمترین فاکتورهای مقابله با بیماریهای گیاهی میباشد. در این تحقیق توانایی تکنیک پردازش تصویر در تشخیص دو بیماری مهم برنج (لکه قهوهای و بلاست برگ برنج) مورد بررسی قرار گرفت. تصاویر دیجیتال از برگهای گیاه برنج آلوده تهیه شدند. تصاویر در جعبه ابزار پردازش تصویر نرم افزار متلب پردازش شدند. از پردازش رنگی بهمنظور جداسازی لکههای ظاهری قسمتهای آلوده از سطح برگ استفاده شد. نتایج نشان داد که الگوریتم ارائه شده توانست نقاط آلوده را در نمونه تصاویر مورد آزمایش با دقت 94/4% تشخیص دهد. تمایز بین دو نوع بیماری به دلیل شباهتهای رنگی علائم بیماریها تقریباً غیر ممکن بود. بنابراین به منظور بهبود تشخیص، خصوصیات شکلی از تصاویر سیاه و سفید برگها آلوده استخراج شدند. ویژگیهای بدون بعد مانند گردی، نسبت ظاهری، فشردگی و نسبت سطح قسمتهای آلوده مربوط به بیماری لکه قهوهای و بلاست برگ برنج استخراج شده و مورد بررسی قرار گرفتند. دقتی معادل با 96/6% برای الگوریتم بهدست آمد که نشاندهنده توانایی در تشخیص دو بیماری لکه قهوهای و بلاست برگ برنج بود.
