ماشین های کشاورزی

چکیده تمرکز این تحقیق ایجاد یک دستگاه مبتنی بر اینترنت اشیا برای درجه‌بندی دانه‌های قهوه روبوستا بر اساس رنگ است که از پردازش تصویر به‌عنوان جایگزینی موثر برای جداسازی دستی استفاده می‌کند. این سیستم به رفع یک مشکل مهم در روش برداشت نواری می‌پردازد که دانه‌ها را در درجات مختلف رسیدگی جمع‌آوری می‌کند و تاثیر منفی بر کیفیت قهوه می‌گذارد. این دستگاه، دانه‌ها را بر اساس درجه رسیدگی -قرمز برای رسیده، سبز برای نارس و سیاه برای بیش از حد رسیده- با استفاده از یک مدل تشخیص که از طریق پردازش تصویر آموزش دیده و بر روی Raspberry Pi 4 Model B  پیاده‌سازی شده است، مرتب می‌کند. عملکرد دستگاه بر اساس سرعت مرتب‌سازی و دقت طبقه‌بندی ارزیابی شد. مدل تشخیص با موفقیت 277 از 300 میوه قهوه را شناسایی کرد که منجر به دقت طبقه‌بندی کلی 92.33% و میانگین دقت 92.55 % شد. در آزمایش‌های عملی با 100 نمونه دانه در 10 آزمایش، دستگاه به‌طور متوسط به دقت دسته‌بندی 86.83% و زمان دسته‌بندی 21 دقیقه و 33 ثانیه دست یافت. در مقایسه با دستگاه دسته‌بندی دانه‌های قهوه که قبلا توسعه داده شده است، در دستگاه جدید دقت بهبودیافته و سرعت پردازش سریع‌تری را نشان داد.

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 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.

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 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.

چکیده این مطالعه به تلفیق تصاویر سنتینل-2A و طبقه‌بندی‌کننده‌های ماشین یادگیری برای تهیه نقشه باغات در بستر سکوی گوگل ارث در منطقه‌ای تحت تأثیر تنش شرایط محیطی (دشت شارویران در جنوب دریاچه ارومیه) می‌پردازد. طبقه‌بندی‌کننده‌های جنگل تصادفی، ماشین بردار پشتیبان و درخت رگرسیون و طبقه‌بندی روی باندهای چندطیفی و شاخص‌های گیاهی و طیفی منتخب با استفاده از 836 نمونه (تعلیمی و اعتبارسنجی) سیستماتیک حاصل از تصاویر با اندازه تفکیک بالا و نقشه‌برداری زمینی به‌کار برده شدند. این مطالعه روی تشخیص دقیق باغات از کاربری‌های کشاورزی و غیرکشاورزی تمرکز دارد. نتایج نشان می‌دهد که باغات حدود 11% منطقه مورد مطالعه را پوشش می‌دهد و طبقه‌بندی‌کننده جنگل تصادفی با ضریب کاپای 0.84 و بهترین F1-score، بالاترین کارآیی را دارد. اعتبارسنجی نتایج با استفاده از برداشت‌های میدانی باغات، خطای کمی در حدود 2.2% را نشان داد. این یافته‌ها نشان می‌دهد که تلفیق تصاویر سنتینل-2A با طبقه‌بندی‌کننده‌های ماشین یادگیری، یک چهارچوب توانمند، قابل‌تکرار و کم‌هزینه را برای تهیه نقشه باغات در مناطق با کمبود داده و تحت تأثیر تنش‌های محیطی، پیشنهاد می‌دهد. نقشه‌های باغات با تفکیک مکانی بالا به‌طور مؤثری می‌توانند برای برنامه‌ریزی کشاورزی، مدیریت آبیاری و تصمیم‌سازی مبتنی بر شواهد در حوضه دریاچه ارومیه استفاده شوند. مطالعات آینده می‌تواند با استفاده از تصاویر چندزمانه، متغیرهای اجتماعی-اقتصادی و بوم‌شناختی و مدل‌های پیشرفته ازجمله یادگیری عمیق گسترش داده شود.

چکیده سوسک سرخرطومی حنایی خرما (Rhynchophorus ferrugineus) از آفات مهم نخل‌ خرما است که به دلیل تغذیه پنهان لاروها، تشخیص زودهنگام آن دشوار می‌باشد. برای ثبت سیگنال‌های ضعیف ناشی از جویدن لارو در شرایط طبیعی نخلستان، سامانه حسگرصوتی قابل‌حمل طراحی و ساخته شد. این سامانه با میکروفون الکتریت MAX9814 و ماژول داده‌برداری ۱۲ بیتی STM32F103C8T6 با نرخ نمونه‌برداری ۱۶ کیلوهرتز، امکان ضبط سریع و غیرتهاجمی سیگنال‌ها را فراهم و با طراحی فشرده، منبع تغذیه ایزوله و پایه ضدارتعاش، کارایی دستگاه را در شرایط میدانی افزایش داد. سیگنال‌های صوتی حاصل از نخل‌های آلوده در حوزه‌ زمان و فرکانس تحلیل و سپس شش ویژگی طیفی شامل فرکانس میانگین و میانه، توان باند، پهنای‌باند اشغال‌شده، پهنای‌باند توان و فرکانس پیک در پنج طول فریم مختلف استخراج گردید. نتایج آماری نشان داد مقیاس قطعه‌بندی بر پایداری سیگنال و افزونگی میان ویژگی‌ها اثرگذار است. برای یکپارچه‌سازی داده‌ها، اطلس طیفی ساختاریافته تدوین، که توصیف‌گرهای صوتی پراکنده را در قالب یک نمایش منسجم گردآوری کرد. فعالیت غالب لاروی در فرکانس‌های کمتر از ۷ کیلوهرتز مشاهده شد؛ به‌گونه‌ای که فرکانس‌های میانگین و میانه بین 2.1 تا 3.8 کیلوهرتز قرار داشتند (r > 0.85) و توان باند در محدوده ۸ تا ۲۲ دسی‌بل بود. همچنین پهنای‌باند اشغال‌شده (1.5 تا 2.8 کیلوهرتز) با تشدید عمل جویدن کاهش یافت که ثبات طیفی و ارزش تشخیصی ویژگی‌ها را تأیید نمود. این سامانه خط‌مبنای زیستی کمّی ارزشمندی ارائه داده که علاوه بر بهبود انتخاب ویژگی‌ها، از مدل‌های یادگیری ماشین پشتیبانی می‌کند و با حسگرهای صوتی تعبیه‌شده تشخیص زودهنگام و غیرتهاجمی آلودگی تنه نخل به آفت را میسر می‌سازد.

چکیده برآورد دقیق عملکرد پیش از برداشت در باغبانی دقیق اهمیت زیادی دارد، زیرا تصمیم‌گیری آگاهانه در تخصیص نیروی کار، برنامه‌ریزی لجستیکی و پیش‌بینی بازار را ممکن می‌سازد. در این پژوهش، یک چارچوب یکپارچه بینایی کامپیوتر مبتنی بر معماری YOLOv12 برای تشخیص و کمی‌سازی میوه‌های خرمالو (Diospyros kaki) در شرایط واقعی باغ ارائه شد. استخراج ویژگی‌های چندمقیاسی با مدل رگرسیونی سبک‌وزن ترکیب شد تا وزن هر میوه مستقیماً از تصاویر RGB پیش‌بینی شود. مجموعه‌داده‌ای شامل 2118 تصویر برچسب‌خورده تهیه شد تا تغییرات چگالی تاج و شدت نور را پوشش دهد و پایداری مدل را در برابر پوشیدگی‌های طبیعی تضمین کند. پس از تنظیم پنج نسخه از YOLOv12، دقت تشخیص از 0.92 mAP@0.5  فراتر رفت و مدل YOLOv12x بالاترین دقت (0.945) را داشت. با این حال، نسخه YOLOv12n بهترین توازن میان دقت (0.925 mAP@0.5) و کارایی (5.7 میلی‌ثانیه، بیش از 100 فریم بر ثانیه) را ارائه داد و برای استقرار بلادرنگ مبتنی بر اینترنت اشیاء در باغ‌های هوشمند بهینه بود. برآورد عملکرد از طریق نگاشت حجم بیضوی به وزن واقعی با رگرسیون خطی انجام شد و میانگین خطای مطلق 6.2 گرم و انحراف کمتر از 5 درصد در سطح درخت حاصل گردید. این چارچوب با حفظ سرعت استنتاج بلادرنگ در دستگاه‌های لبه‌ای، قابلیت اعتماد بالایی برای پیش‌بینی عملکرد مبتنی بر داده نشان داد و پتانسیل ادغام در سامانه‌های برداشت هوشمند جهت کاهش ضایعات پس از برداشت را برجسته کرد.

چکیده تشخیص مطمئن گاو در محیط‌های اصطبل به‌دلیل انسداد بصری، همپوشانی دام‌ها و پس‌زمینه‌های شلوغ همچنان چالش برانگیز است. برای بهبود دقت و عملکرد بلادرنگ در چنین شرایطی، این مطالعه YOLO11-DML را ارائه می‌دهد، که یک چارچوب تشخیص بهبودیافته ساخته‌شده بر اساس YOLO11 است. برای رفع کاهش دقت تشخیص ناشی از همپوشانی گاوها و دیگر اجسام و تداخل پس‌زمینه، این مقاله بهینه‌سازی‌هایی را در سه جنبه انجام داده است: استخراج ویژگی، مکانیسم توجه و طراحی تشخیص سبک: ماژول C3K2-DIMB در Backbone و Neck معرفی شده است و قابلیت‌های مدل‌سازی ویژگی چند مقیاسی را از طریق وزن‌های هسته کانولوشن پویا افزایش می‌دهد. مکانیسم توجه کانال محلی ترکیبی (MLCA) در انتهای Backbone به‌عنوان یک ماژول بهبود ویژگی کمکی برای اصلاح نمایش‌های سلسله مراتبی ویژگی تعبیه شده است. یک سر تشخیص کانولوشن مشترک سبک (LSCDH) برای سر تشخیص طراحی شده است که به‌طور موثر تعداد پارامترها و سربار محاسباتی را کاهش می‌دهد و در عین حال دقت تشخیص را حفظ می‌کند. آزمایش‌های انجام‌شده بر روی مجموعه داده‌های CBVD-5 و داده‌های گاو شیری نشان می‌دهد که YOLO11-DML به دقت (P) 92.57 درصد، امتیاز F1 برابر با 89.07 درصد، mAP@0.5 برابر با 93.11%، mAP@0.5:0.95 برابر با 59.37%، سرعت استنتاج 105.79 FPS، تعداد پارامترهای M 2.16 ،GFLOP 5.1 عملیات ممیز شناور و اندازه مدل تنها 4.5 مگابایت دست می‌یابد. این تحقیق نشان می‌دهد که YOLO11-DML با حفظ طراحی سبک و عملکرد بلادرنگ، به دقت بالایی دست می‌یابد و یک راه‌حل عملی برای تشخیص چند شیء و نظارت بر رفتار گاوهای شیری در مزارع هوشمند ارائه می‌دهد.

چکیده شناسایی دقیق و به‌موقع بیماری برگ ذرت (.Zea mays L) برای بهبود بهره‌وری محصول و اطمینان از امنیت غذایی امری ضروی است. این مطالعه به بررسی عملکرد مدل‌های یادگیری عمیق مبتنی بر مبدل در شناسایی خودکار بیماری‌های برگ ذرت با استفاده از یک مجموعه داده جمع‌آوری‌شده از مزارع ذرت استان قندهار افغانستان پرداخته است. مجموعه داده تحت شرایط طبیعی مزرعه جمع‌آوری شد و پس زمینه پیچیده برگ، نورپردازی متغیر در طول روز و جهت‌گیری مختلف برگ باعث شد تا محیط واقعی مزرعه حفظ شود. چندین معماری پیشرفته یادگیری عمیق مبتنی بر مبدل مورد ارزیابی قرار گرفت. این معماری‌ها شامل مبدل بینایی (ViT)، مبدل بینایی چندمحوره مرکب (Max-Vit-Tiny، MaxViT-small و MaxViT-base) بودند. نتایج با برخی مدل‌های سنگین یاگیری عمیق مبتنی بر شبکه کانولوشنی EfficientNet (شامل نسخه‌های B5، B6 و B7) مقایسه شدند. نتایج نشان داد که مدل‌های مبتنی بر مبدل، همانند مدل‌های مبتنی بر CNN، عملکردی قابل‌اتکا (دقت بالای 97%) در محیط‌های چالش‌برانگیر مزرعه‌ای دارند. در بین مدل‌های ارزیابی‌شده، مدل EfficientNet-B7، ViT و MaxViT_tiny با صحت تشخیص 97% بهترین عملکرد را داشتند، درحالی‌که مدل MaxVit_tiny بالاترین دقت را ثبت کرد (0.9741). این مورد نشان‌دهنده ظرفیت عمومی‌سازی بالای این مدل‌هاست. خطاهای تشخیص عمدتا بین آن‌دسته از کلاس‌های بیماری مشاهده شد که شباهت بصری زیادی با هم داشتند. درحالی‌که دقت و حساسیت کلی مدل‌ها به‌طورپیوسته بالا بود. این یافته‌ها اثرگذاری معماری‌های مرکب و مبتنی بر توجه در کابردهای شرایط واقعی برای شناسایی بیماری ذرت را تایید می‌کند و نشان‌دهنده پایایی آن‌ها در سامانه‌های کشاورزی دقیق است.

چکیده افزایش بهره‌وری گندم برای حفظ امنیت غذایی در سال‌های آتی یک ضرورت است. یکی از چالش‌های اصلی تولید گندم، وجود علف‌های هرز است که می‌تواند عملکرد آن را تا حد زیادی کاهش دهد. یک عامل کلیدی در تولید پایدار گندم مدیریت دقیق علف‌های هرز بر اساس طبقه‌بندی علف هرز-محصول است. برای این منظور، در مطالعه حاضر، از تصاویر رنگی و راهبردهای یادگیری عمیق برای تشخیص و تمایز گندم زمستانه از چهار علف هرز رایج آن استفاده شد که منجر به ایجاد پنج کلاس مجزا گردید. چهار شبکه یادگیری عمیق شامل Xception، EfficientNetB0، VGG19 و InceptionResNetV2 به‌عنوان شبکه‌های ستون فقرات برای برآورده کردن الزامات طبقه‌بندی تصاویر لحاظ شدند. این شبکه‌ها با استفاده از یادگیری انتقالی در ImageNet از قبل آموزش داده شدند، سپس با لایه‌های اضافی برای بهبود عملکرد در مجموعه داده‌های ما تقویت شدند. با توجه به نتایج به‌دست‌آمده، مدل بهبودیافته InceptionResNetV2 بهترین عملکرد را در بین چهار مدل نشان داد و به دقت 98.17% و خطای 3.19% در داده‌های آزمون دست یافت. همه مدل‌ها عملکرد بسیار خوبی در شناسایی تصاویر کلاس‌های مختلف نشان دادند، به‌طوری‌که میانگین وزنی امتیاز F1 برای مدل‌های مبتنی بر Xception، EfficientNetB0، VGG19و InceptionResNetV2 به‌ترتیب برابر با 97%، 86%، 94% و 98% به‌دست آمد. علاوه‌بر این، پانزده حالت متفاوت از حضور علف‌های هرز در مزارع گندم زمستانه را با تمرکز بر انواع مختلف علف‌های هرز مورد مطالعه، تجزیه و تحلیل شد تا راهبردهای موثر مدیریت علف‌های هرز با استفاده از هر یک از چهار مدل پیشنهاد داده شود. یافته‌های این تحقیق، پایه و اساسی برای توسعه برنامه‌های تلفن همراه یا وجین‌کن‌های رباتیک به‌منظور مدیریت خاص مکانی علف‌های هرز فراهم می‌آورد. این رویکرد می‌تواند در کاهش استفاده از علف‌کش‌ها و کاهش اثرات زیست‌محیطی آن و در عین حال بهبود عملکرد و کیفیت گندم نقش مهمی ایفا نماید.

چکیده زنجرک خرما با تضعیف درختان خرما و کاهش تولید میوه، کشاورزی در خاورمیانه را تهدید می‌کند. شناسایی محل آلودگی برای کنترل موثر آفات بسیار مهم است. با این حال، بازرسی منظم میدانی می‌تواند پرهزینه، دشوار و زمان‌بر باشد، به‌خصوص در مناطق وسیع. این مطالعه توانایی تصاویر ماهواره‌ای چندطیفی سنتینل-۲ را برای شناسایی مکان‌های هجوم زنجرک خرما برای بهبود نظارت و فعال کردن کنترل فوری آفات، در نتیجه کاهش خسارات مالی، ارزیابی می‌کند. آزمایش صحرایی برای ارزیابی آلودگی در اردیبهشت 1402 همزمان با اوج شیوع آفت انجام شد. شدت آلودگی از طریق شمارش آفات در نخلستان‌های منطقه شهری بم تعیین شد. تصاویر چندطیفی سنتینل-۲ از یک منطقه خاص به‌دست آمد، برای تصحیح، آماده‌سازی داده‌های خام و استخراج اطلاعات پردازش شد. پس از مرحله پیش‌پردازش، مدل طبقه‌بندی‌کننده K-Nearest Neighbor مبتنی بر درخت KD برای توسعه مدلی با تمرکز بر شناسایی مکان‌های آلوده انتخاب شد. برای آموزش، 70 درصد از داده‌های میدانی اندازه‌گیری‌شده، شامل مناطق غیرآلوده و مناطق با سه سطح آلودگی از سبک تا شدید و همچنین سایر ویژگی‌های زمین مانند ساختمان‌ها، جاده‌ها و غیره استفاده شد. 30 درصد باقی‌مانده داده‌ها برای ارزیابی مدل آموزش‌دیده استفاده شد. مدل طبقه‌بند آموزش‌دیده در مقایسه با داده‌های حقیقت پایه، در حدود 83 درصد پیش‌بینی‌های درست را با مجموعه داده آزمایشی به‌دست آورد. این دقت، توانایی تصاویر چندطیفی سنتینل-۲ و یادگیری ماشینی را برای شناسایی هجوم حشرات به زنجرک خرما در نخلستان‌ها برجسته می‌کند و می‌تواند مدیریت هدفمند و پایدار آفات را تسهیل کند.

چکیده در این تحقیق، مقدار ویتامین C، ترکیبات معطر و تغییر رنگ پودر پرتقال با استفاده از روش‌های شیمیایی، دستگاه بویایی و اسکنر در چهار خشک‌کن در دمایC ° ۴۵ درجه سانتی‌گراد اندازه‌گیری شد. این دستگاه‌های خشک‌کن شامل خلاء اتمسفر معمولی، خلاء کنترل اتمسفر، همرفتی و همرفتی-مادون قرمز بودند. بیشترین پاسخ حسگرها به ترکیبات معطر در خشک‌کن‌های همرفتی و کمترین پاسخ در خشک‌کن‌های خلاء کنترل و خلاء معمولی مشاهده شد. دو مؤلفه اصلی تحلیل مؤلفه‌های اصلی (PCA) ۸۸% از واریانس داده‌ها را توضیح دادند. ساختار شبکه عصبی مصنوعی (ANN) ۸-۵-۴ بود. علاوه بر این، بر اساس نمودارهای بارگذاری مدل‌های حداقل مربعات جزئی (PLS) و رگرسیون مؤلفه‌های اصلی (PCR)، حسگرهای MQ3 و MQ6 بهترین حسگرها برای پیش‌بینی میزان ویتامین C و تغییر رنگ پودر پرتقال بودند. حسگرMQ135  نیز به دلیل دقت پایین و کاهش هزینه، می‌تواند از مجموعه حسگرهای بینی الکترونیکی حذف شود. رگرسیون خطی چندگانه (MLR)، در مقایسه با مدل‌های PCR وPLS، دقیق‌تر عمل کرد، یعنی R²= 0.83 و RMSE= 0.144 برای پیش‌بینی ویتامین C و R²= 0.94 و RMSE= 0.68 برای پیش‌بینی تغییر رنگ محاسبه شدند. بیشترین و کمترین مقادیر تغییر رنگ اندازه‌گیری‌شده به‌ترتیب در خشک‌کن همرفتی و خشک‌کن خلاء کنترل اتمسفری مشاهده شد. همچنین، بیشترین و کمترین ویتامین C اندازه‌گیری‌شده به‌ترتیب در خشک‌کن همرفتی-مادون قرمز و خشک‌کن خلاء کنترل اتمسفری مشاهده شد. بهترین خشک‌کن برای حفظ کیفیت پودر پرتقال، خشک‌کن همرفتی-مادون قرمز بود. نتایج این مقاله نشان داد که داده‌های به‌دست‌آمده از دستگاه بویایی قادر به پیش‌بینی تغییر رنگ و ویتامین C پودر پرتقال است. همچنین، می‌توان از دستگاه بویایی برای شناسایی و طبقه‌بندی نوع خشک‌کن مورد استفاده برای تهیه پودر پرتقال با کمترین زمان و هزینه، بدون تخریب نمونه، و تعیین بهترین خشک‌کن برای تهیه پودر پرتقال استفاده کرد.

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 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.

چکیده ﺍﻣﺮﻭﺯﻩ ﺳﻨﺠﺶ ﺍﺯ ﺩﻭﺭ ﺑﻪﻋﻨﻮﺍﻥ ﻳﮏ ﺍﺑﺰﺍﺭ ﻣﺪﻳﺮﻳﺘﻲ در ﮐﺸﺎﻭﺭﺯﻱ ﺩﻗﻴﻖ محسوب می‌شود، که نقش مهمی در شناسایی پوشش‌های گیاهی متفاوت دارد. انگور از ارزشمندترین محصولات باغبانی است که استان همدان حدود 7.3 درصد از وسعت تاکستان‌های کشور را در اختیار دارد. با این حال توزیع جغرافیایی از تاکستان‌ها در این استان وجود ندارد. هدف اصلی این پژوهش، بررسی رابطه عملکرد محصول انگور با شاخص‌های سنجش از دور پوشش گیاهی در تاکستان‌های استان همدان است. به همین منظور، دقت شناسایی تاکستان‌های استان همدان توسط الگوریتم‌های یادگیری ماشین شامل: ماشین بردار پشتیبان (SVM) و حداقل فاصله (MD) و جنگل تصادفی (RF) با شاخص‌های سنجش از دور پوشش گیاهی شامل: شاخص تفاضلی نرمال‌شده گیاهی (NDVI) و شاخص تفاضلی نرمال‌شده آب (NDWI) برآوردشده از تصاویر ترکیبی اپتیکی و رادارای سنتینل (Sentinel-1 و Sentinel-2) انجام شد. سپس براساس دقیق‌ترین نقشه شناسایی تاکستان‌ها، سری زمانی ماکزیمم شاخص‌های NDVI و NDWI سنجنده‌ی مودیس در تاکستان‌ها در سال‌های 2007 تا 2020 برآورد شد و همبستگی آن‌ها با عملکرد واقعی محصول انگور بررسی شد. مقایسه دقت طبقه‌بندی الگوریتم‌های متفاوت بیانگر برتری الگوریتم RF با شاخص NDWI با بالاترین دقت کلی (%95) و ضریب کاپا (0.95) بود. هم‌چنین تحلیل همبستگی بین شاخص‌های NDVI و NDWI سنجنده مودیس مستخرج از نقشه تاکستان‌ها با عملکرد واقعی انگور نشان از رابطه خطی قوی‌تری بین شاخصNDVI  نسبت به NDWI دارد. یافته‌های این پژوهش که بیانگر دقت بالای شاخص‌های سنجش از دور و الگوریتم‌های یادگیری ماشین در تاکستان‌ها است می‌تواند در پیش‌بینی عملکرد محصول انگور قبل از برداشت، بهبود کیفیت انگور و مدیریت بهینه‌ی آبیاری نقش مهمی داشته باشد.

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 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.

چکیده توسعه یک سیستم هوشمند دقیق و قابل‌اعتماد برای مدیریت بیماری‌های برگ درختان برای کشاورزان بسیار ضروری است. این مطالعه با هدف توسعه یک راهکار مبتنی بر هوش مصنوعی برای شناسایی بیماری‌های برگ درختان به، با استفاده از یک مدل پیشرفته و تک‌مرحله‌ای تشخیص اشیاء به نام YOLO انجام شده است. تصاویر بیماری‌های مختلف برگ این درخت از منابع متعدد، شامل مراکز تحقیقاتی کشاورزی استان اصفهان، وب‌سایت‌های مرتبط و پژوهشگران گردآوری شده است. در این پژوهش، از رویکرد یادگیری انتقالی برای ارزیابی عملکرد سه مدل شناخته‌شده YOLO شامل YOLOv5m، YOLOv7 و YOLOv8m استفاده شد. ارزیابی و مقایسه مدل‌های مورد بررسی بر اساس شاخص‌های آماری مانند دقت (Precision)، بازخوانی (Recall)، امتیاز F1 انجام گرفت. نتایج نشان داد که دقت مدل‌های YOLOv5m، YOLOv7 و YOLOv8m به‌ترتیب 78%، 83% و 87% بوده است. نتایج تجربی نشان داد که مدل YOLOv8m توانایی قابل‌توجهی در شناسایی بیماری‌های برگ درختان به دارد. علاوه بر این، مقایسه مدل‌ها نشان داد که مدل YOLOv8m با امتیازات 0.87 برای دقت، 0.66 برای بازخوانی، 0.69 برای امتیاز F1 و 0.67 برای میانگین دقت، عملکرد بهتری نسبت به سایر مدل‌های بررسی‌شده دارد. بر اساس نتایج کلی این پژوهش، مدل YOLOv8m آموزش‌دیده در این مطالعه می‌تواند به‌عنوان ابزاری تخصصی برای این محصول خاص معرفی شود. بنابراین، مدل توسعه‌یافته در این مطالعه که به‌طور ویژه برای بیماری‌های برگ درخت به طراحی شده است، می‌تواند در نرم‌افزارهای تشخیصی بیماری برگ درختان ادغام شود. چنین نرم‌افزارهایی می‌توانند به کشاورزان در تشخیص دقیق بیماری‌ها کمک کرده و در نهایت زیان‌های اقتصادی را کاهش دهند.

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 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.

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 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.

چکیده شاخص زبری تصادفی به‌دلیل سهولت محاسبات و قابلیت اطمینان خوب، مناسب‌ترین شاخص برای جداسازی کلاس‌های زبری و توصیف شدت و کیفیت خاک‌ورزی است. اکثر روش‌های مرسوم مورد استفاده از رهیافت توقف و حرکت در اندازه‌گیری زبری خاک بهره می‌گیرند؛ که بسیار پر زحمت و وقت‌گیر است. در پژوهش حاضر از حسگرهای فاصله‌یاب نوری برای اندازه‌گیری بلادرنگ زبری خاک استفاده شد؛ که سرعت اندازه‌گیری آن نسبت به روش‌های دیگر بیشتر است. از برازش بین فاصله اندازه‌گیری‌شده توسط حسگرها و پین‌متر یک رابطه خطی بین این دو متغیر حاصل شد. هر دو حسگر فاصله‌یاب در شرایط استاتیکی توانستند به‌خوبی فاصله را اندازه‌گیری کنند (0.98=R²)، صحت و دقت هر دو حسگر نوری مادون قرمز و لیزری بر روی سیستم متحرک، در مزرعه مورد ارزیابی قرار گرفت. صحت داده‌های به‌دست‌آمده از حسگر لیزر در سرعت‌های کمتر از km h^-1 2.6، همانند روش پین‌متر بود ولی در سرعت‌های بیش از  km h^-13.5 روش لیزری فقط توانست کلاس زبری نرم را به‌درستی تشخیص دهد. کاهش صحت عملکرد حسگر، به‌دلیل کاهش نرخ جمع‌آوری داده‌ها در واحد طول و وجود کلوخه‌های بزرگ در کلاس‌های زبر‌تر بود. روش مادون قرمز فقط سطوح نرم را همانند پین‌متر تشخیص داد. در سرعت رو به جلو کمتر از km h^-1 3.5، داده‌های حسگر لیزری از دقت خوبی برخوردار بود (R²=0.85)، با این حال، با افزایش سرعت رو به جلو به km h^-1 4.8، دقت عملکرد حسگر کاهش یافت (0.72= R²). می‌توان نتیجه گرفت با استفاده از حسگرهای لیزری با نرخ داده‌برداری بیشتر، تشخیص سطوح زبری به‌خوبی روش پین‌متر امکان‌پذیر خواهد بود.

چکیده چیدن دستی گل‌های محمدی به دلیل وجود خارهای زیاد روی ساقه‌های آن بسیار دشوار است. بنابراین تشخیص بی‌درنگ گل محمدی شکفته در مزارع روباز برای طراحی یک ربات به‌‌منظور برداشت خودکار این گل ضروری است. با توجه به سرعت بالا و دقت مناسب شبکه‌های عصبی کانولوشن عمیق (DCNN)، هدف از این مطالعه بررسی پتانسیل مدل بهینه‌شده YOLOv8s در تشخیص گل‌های محمدی شکفته است. به‌‌منظور ارزیابی اندازه مدل YOLO بر عملکرد مدل، دقت و سرعت تشخیص نسخه‌های دیگر مدل YOLO ازجمله v5s و v6s نیز مورد بررسی قرار گرفت. برای رسیدن به این هدف، تصاویر گل‌های محمدی تحت شرایط نور عادی (از سپیده‌دم تا طلوع آفتاب) و شرایط نور شدید (از طلوع آفتاب تا ۱۰ صبح) تهیه شدند. نتایج ارزیابی نشان داد که مدل YOLOv8s با میانگین متوسط دقت(mAP50)  و سرعت شناسایی به‌ترتیب %98 و 243.9 فریم در ثانیه (fps) بهترین عملکرد را به نمایش گذاشت و در مقایسه با مدل‌های YOLOv5s و YOLOv6s مقدار mAP50 آن به‌ترتیب 0.3% و 6.1%، و مقدار سرعت تشخیص آن به‌ترتیب fps 169.3 و fps 198.6 بیشتر بود. نتایج تجربی نشان می‌دهد که YOLOv8s در تصاویر گرفته‌شده در نور عادی عملکرد بهتری نسبت به تصاویر گرفته‌شده در نور شدید دارد. کاهش 2.5% در مقدار mAP50 و 2.4% در سرعت تشخیص نشان‌دهنده تأثیر منفی نور شدید محیطی بر اثر بخشی مدل است. این تحقیق نشان می‌دهد که مدل YOLOv8s یک راه‌حل قابل‌قبول برای تشخیص بی‌درنگ گل محمدی فراهم می‌کند و راهنمای خوبی برای تشخیص سایر گیاهان مشابه است.

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 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.

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 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.

چکیده هواپیماهای بدون سرنشین (پهباد) به‌عنوان یک فناوری با پتانسیل بالا در کشاورزی دقیق ظهور کرده‌اند و از اهداف توسعه پایدار (SDGs) با تقویت شیوه‌های کشاورزی پایدار، بهبود امنیت غذایی و کاهش اثرات زیست‌محیطی حمایت می‌کنند. این مقاله مروری بر تحلیل دقیق کاربردهای چندگانه فناوری هواپیماهای بدون سرنشین در کشاورزی، مانند نظارت بر سلامت محصول، پاشش آفت‌کش و کود، کنترل علف‌های هرز و تصمیم‌گیری مبتنی بر داده‌ها برای بهینه‌سازی مزرعه در نظر گرفته شده است. این مقاله بر نقش پهپادها در سمپاشی دقیق، ترویج مداخلات هدفمند و به حداقل رساندن اثرات زیست‌محیطی در مقایسه با روش‌های مرسوم تاکید دارد. هواپیماهای بدون سرنشین نقش حیاتی در مدیریت علف‌های هرز و ارزیابی سلامت محصول دارند. تمرکز این مقاله بر اهمیت داده‌های جمع‌آوری‌شده توسط هواپیماهای بدون سرنشین برای به‌دست آوردن اطلاعات لازم برای تصمیم‌گیری در مورد آبیاری، کوددهی و مدیریت کلی مزرعه است. با این حال، استفاده از وسایل نقلیه هوایی بدون سرنشین (پهپاد) در کشاورزی با چالش‌های ناشی از عمر باتری‌ها، زمان محدود پرواز و مشکلات اتصال، به‌ویژه در مناطق دورافتاده، مواجه است. چالش‌های قانونی، چارچوب‌های نظارتی و محدودیت‌هایی در مناطق مختلف نیز وجود دارد که بر عملکرد هواپیماهای بدون سرنشین تأثیر می‌گذارند. با تحقیق و توسعه مستمر، چالش‌های ارائه‌شده را می‌توان حل کرد و از حداکثر پتانسیل پهپادها برای دستیابی به کشاورزی پایدار استفاده کرد.

چکیده زیرشکنی لایه زیرین خاک با توجه به رفت و آمد ماشین‌های کشاورزی و خصوصاً در شرایط بافت سنگین و فشردگی زیاد خاک، برای بسیاری محصولات خصوصاً نیشکر بسیار حیاتی است. در این تحقیق اقدام به طراحی، ساخت و ارزیابی سامانه سنجش عمق بر روی زیرشکن متصل به بولدوزر در مزارع نیشکر گردید. برای ارزیابی عمق سامانه از قالب طرح بلوک‌های کامل تصادفی به روش کرت‌های یک بار خردشده استفاده گردید. کرت‌های اصلی در سه سطح روش‌های عمق‌سنجی بر مبنای زوایای شاسی‌های محرک شاخه‌های زیرشکن، فاصله‌سنج لیزری و فاصله‌سنج فراصوتی و کرت‌های فرعی در سه سطح عمق 30-0 (سطحی)، 60-30 (میانی) و 90-60 (عمیق) سانتی‌متری بودند. نتایج نشان داد که تمام شاخص‌های آماری خطای عمق در اثر نوع روش عمق‌سنجی معنی‌دار بود و کمترین و بیشترین میانگین خطای عمق به‌ترتیب با 1.91 سانتی‌متر در روش زوایا و 3.83 سانتی‌متر در روش فراصوتی به‌دست آمد. همچنین تمام شاخص‌های آماری خطای عمق در اثر دامنه‌های عمق معنی‌دار بود و کمترین و بیشترین میانگین خطای عمق به‌ترتیب با 2.33 سانتی‌متر در دامنه عمیق و 3.65 سانتی‌متر در دامنه سطحی به‌دست آمد. همچنین فقط شاخص‌های آماری حداقل و حداکثر خطا در اثر متقابل دو عامل معنی‌دار بودند و کمترین و بیشترین مقادیر حداقل خطا به‌ترتیب به روش زوایا و دامنه عمیق با 0.05 و روش فراصوتی و دامنه سطحی با 0.34 سانتی‌متر تعلق داشت در حالی‌که کمترین و بیشترین مقادیر حداکثر خطا به‌ترتیب به روش زوایا و دامنه عمیق با 3.21 و روش فراصوتی و دامنه سطحی با 8.63 سانتی‌متر تعلق داشت.

چکیده پرداختن به چالش‌های وسایل نقلیه خارج از جاده در زمین‌های غیرمتعارف، مدل‌های پیش‌بینی‌ بر پایه‌ی یادگیری ماشین را برای تعاملات چرخ و خاک ضروری می‌کند. علی‌رغم علاقه فزاینده به یادگیری ماشین برای مطالعات تعامل چرخ و خاک، پژوهش‌های محدودی بر روی استفاده از رویکردهای مبتنی بر شبکه‌های عصبی مصنوعی برای پیش‌بینی تشکیل شیار ناشی از چرخ متمرکز شده است. هدف اصلی پژوهش حاضر پیش‌بینی تأثیر تایرهای بادی کشاورزی تحت بارها، سرعت‌ها و عبورهای متعدد بر تشکیل شیارهای خاک در شرایط انباره‌ی خاک کنترل‌شده است. در این تحقیق شبکه‌های عصبی مصنوعی با الگوریتم پس‌انتشار، برای پیش‌بینی عمق شیار مورد استفاده قرار گرفت و مدل به‌دست‌آمده با داده‌های تجربی اعتبارسنجی شد. علاوه بر این، از روش آزمون-خطا برای بهینه‌سازی فراپارامترهای شبکه عصبی استفاده شد. پیکربندی بهینه برای شبکه پرسپترون چندلایه با تکانه 0.9 و نرخ یادگیری 0.35 به خطای جذر میانگین مربعات 0.10 دست یافت. شبکه عصبی تابع شعاعی پایه، با پهنای تابع گوسی برابر 3.90 و نرخ نرمال‌سازی برابر 0.02، جذر میانگین مربعات خطا برابر 0.12 را نشان داد. درحالی‌که شبکه پرسپترون چندلایه دقت بالایی را نشان داد، شبکه تابع شعاعی پایه هزینه‌های محاسباتی کم‌تر و زمان پاسخ‌دهی سریع‌تری را ارائه می‌دهد که آن را برای کاربردهای بلادرنگ مناسب می‌سازد. شبکه‌های عصبی بر روی داده‌های تجربی نادیده اعتبارسنجی شدند و قابلیت‌های قوی و تعمیم آن‌ها را تایید کردند.

چکیده هدف از توسعه سیستم نظارت بر کلونی‌های زنبورهای بدون نیش با اینترنت اشیا، ارائه اطلاعات در لحظه درباره دما، رطوبت و وزن کندو برای مقابله با اختلال فروپاشی کلونی (CCD) ناشی از مداخله انسان در زنبورداری است. همچنین بهبود روش‌های فعلی نظارت بر زنبورها و نظارت موثرتر و کارآمدتر از دیگر اهداف این سیستم هستند. سیستم نظارتی همچنین دارای یک سیستم خنک‌کننده آب برای حفظ دمای مطلوب زنبورهای بدون نیش (Tetragonula Biroi) است. این سیستم همچنین دارای داشبورد کاربر برای نظارت از راه دور بوده و هنگام فرارسیدن زمان برداشت به زنبوردار اطلاع می‌دهد. این دستگاه بر روی میکروکنترلر ESP8266MOD ساخته شده و از Arduino Mega 2560 R3 برای سیستم کنترل دریچه آب استفاده شده است. داده‌های دما و رطوبت با سنسور DHT22 و وزن کندو با لودسل‌های متصل به آمپلیفایر HX711 جمع‌آوری شدند. برای تست سیستم، داده‌های به‌دست‌آمده از سیستم با اندازه‌گیری دستی به مدت دو ماه و با استفاده از MAPE مقایسه شدند و در نتیجه، دقت سیستم به‌ترتیب 98.74 و 97.89 درصد برای دما و رطوبت محیط اندازه‌گیری شد. همچنین دقت 95.92 درصد برای وزن کندو و 93 درصد برای سیستم کنترل شیر آب به‌دست آمد. کندوهای مجهز به سیستم نظارت اینترنت اشیا 3.414 درصد وزن بیشتری نسبت به کندوهای عادی به‌دست آوردند که نشان‌دهنده‌ی موفقیت پژوهش در دستیابی به اهداف خود می‌باشد.