ماشین های کشاورزی

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 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.

چکیده تصویربرداری تشدید مغناطیسی (MRI)، یک روش غیرمخرب برای تعیین کیفیت میوه‌ها است که با پروتکل‌های مختلف، چگالی و ساختار اتم‌های هیدروژن را که در آن قرار می‌گیرد نشان‌می دهد. در این مطالعه تصاویر MRI گرفته‌شده با پروتکل‌های مختلف از بافت گوشتی و قسمت کبودشده میوه سیب بدون آفت و با آفت مقایسه و بهترین پروتکل معرفی شد. برای این منظور، تصویربرداری تشدید مغناطیسی (MRI) با استفاده از دو پروتکل T₁ و T₂ بر روی 200 میوه سیب بارگذاری‌شده در حین نگهداری انجام شد. بارگیری میوه‌ها در چهار سطح 150، 300، 450 و 600 نیوتن به‌صورت شبه‌استاتیک انجام شد و سپس در دوره‌های 25، 50 و 75 روزه در دمای 4 درجه سانتی‌گراد نگهداری شد. در پایان هر دوره ذخیره‌سازی، تصویربرداری انجام شد. سپس کنتراست تصاویر T₁ و T₂ صدا و بافت کبودشده میوه سیب با و بدون آفت با استفاده از نرم‌افزار ImageJ تعیین شد. نتیجه‌گیری شد که بافت صوتی میوه سیب بدون آفت در تصاویر T₁ واضح‌تر از تصاویر T₂ بود. همچنین دیده شده است که ناحیه کبودی میوه‌های بدون آفت در تصاویر T₂ بیشتر از تصاویر T₁ قابل‌تشخیص است.

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 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.

چکیده امروزه برای اطمینان از کارکرد صحیح کارنده‌ها، سامانه‌های پایش روی آن‌ها نصب می‌شوند و می‌توانند اطلاعات برخطی را در اختیار اپراتور قرار دهند تا در صورت بروز هرگونه مشکل عملیات را متوقف و نسبت به رفع آن‌ها اقدام نماید. قسمت اصلی سامانه‌ پایش کارنده‌ها، حسگر جریان دانه می‌باشد که روی لوله سقوط نصب می‌گردد. نسخه ساده این حسگرها تنها عبور بذر را تشخیص می‌دهند. اما اندازه‌گیری نرخ جریان دانه با توجه به شرایط کاری کارنده‌ها به‌ویژه کارنده‌های مکانیکی با چالش‌های جدی مواجه می‌باشد. در این تحقیق حسگر و الگوریتم منحصر به‌فرد و نوآورانه‌ای برای شمارش بذرهای عبوری توسعه داده شدند. یک ردیف هفت‌تایی از فرستنده‌های مادون قرمز و نیز یک ردیف هفت‌تایی از گیرنده‌های مادون قرمز در مقابل آن، وظیفه تشخیص بذرها را بر عهده داشتند. برای ارزیابی آزمایشگاهی حسگر و الگوریتم مربوطه، عملکرد دو روش دریافت سیگنال در میکروکنترولر بر اساس وقفه و مبدل آنالوگ به دیجیتال روی سکوی تسمه نقاله با چهار بذر ذرت کراس، ذرت پاپ‌کرن، سویا و ماش در سه سرعت 4، 7 و 10 کیلومتر بر ساعت و در پنج تکرار مورد آزمون قرار گرفت. هر دو الگوریتم مورد آزمون نتایج قابل‌قبولی را در شمارش بذور مورد آزمون از خود نشان دادند اما الگوریتم مبتنی بر مبدل آنالوگ به دیجیتال به‌دلیل امکانات بیش‌تر و امکان تنظیم سطح آستانه در ابتدای عملیات کشت و انتهای هر ردیف و مقاومت بالاتر آن در مقابل گرد و غبار، عملکرد بهتری از خود نشان داد هرچند که الگوریتم روش دوم دارای دقت و سرعت بالایی بود.

چکیده بیماری‌های درخت بِه یکی از نگرانی‌های عمده باغداران می‌باشد و شناسایی آن‌ها در پایش درختان ضروری است چرا که زیآن‌های اقتصادی قابل‌توجهی وارد می‌کند. از این رو، تشخیص به‌موقع و موثر بیماری‌های برگی درختان بِه، نقش مهمی در جلوگیری از این ضرر اقتصادی دارد. بیشتر علائم بیماری این درخت در برگ ظاهر می‌شود و تشخیص آن‌ها نیاز به متخصصان خبره داشته و از طرفی زمان‌بر بوده و هزینه آزمایشگاهی بالایی دارد. اصلی‌ترین بیماری‌های این محصول شامل آتشک، زخم برگ و سفیدک پودری است. با پیشرفت الگوریتم‌های هوش مصنوعی، شبکه‌های عصبی مختلفی برای طبقه‎بندی معرفی شده‌اند که از مهم‌ترین آن‌ها می‌توان به شبکه‌های عصبی پیچشی (کانولوشنی) اشاره کرد. هدف اصلی این مطالعه بهینه‌سازی و تنظیم پارامترهای اصلی این شبکه‌ها به‌منظور افزایش دقت تشخیص بیماری‌های برگی درخت بِه می‌باشد. در این مطالعه در رویکرد اول با استفاده از یادگیری انتقالی،‌ دو الگوریتم مهم Inception-ResNet-v2 و ResNet-101 و در رویکرد دوم یک الگوریتم بهینه‌شده پیشنهادی برای طبقه‌بندی بیماری‌ها استفاده شد. نتایج مدل‌ها نشان داد که حذف تصادفی باعث اصلاح دقت بعضی مدل‌ها گردید و بیشترین عملکرد با 64 نورون در لایه مخفی حاصل گردید. مدل پیشنهادی دقت بالاتری نسبت به روش انتقالی داشت. با بررسی نتایج کلی، مدل پبشنهادی با چهار لایه پیچشی در بلوک کانولوشنی، یک لایه مخفی در بلوک شبکه عصبی و ضریب دراپ‌اوت 0.5 بیشترین عملکرد را ارایه داد. 

چکیده توسعه ابزارهای اندازه‌گیری سریع برای ارزیابی خصوصیات کیفی نیشکر شامل غلظت قند و محتوای رطوبت بدون نیاز به استخراج عصاره از ساقه از جمله ضرورت‌های فناوری در کشاورزی و صنعت این محصول می‌باشد. در این پژوهش، یک پراب دی‌الکتریک با قابلیت توسعه و به‌کارگیری به شکل قابل‌حمل توسعه داده شد و عملکرد آن برای اندازه‌گیری غلظت قند (بر حسب درجه بریکس) و محتوای رطوبت روی نمونه‌های ساقه از هفت رقم نیشکر در بازه فرکانسی MHz 150-0 مورد ارزیابی قرار گرفت. همچنین به‌منظور مقایسه و بهبود دقت اندازه‌گیری غلظت قند،‌ توانایی روش طیف‌سنجی مرئی- فروسرخ نزدیک موج کوتاه (Vis-SWNIR) در محدوده طول موج 1100-400 نانومتر بررسی شد. از مدل‌های رگرسیون حداقل مربعات جزئی (PLS) و شبکه‌های عصبی مصنوعی (ANN) برای پیش‌بینی درجه بریکس و محتوای رطوبت نمونه‌ها استفاده شد. علاوه‌بر ارزیابی مستقل عملکرد هر دو روش در بهترین حالت با 1.14= RMSE_P و 1.88= RMSE_P برای اندازه‌گیری بریکس به‌ترتیب با روش‌های طیف‌سنجی Vis-SWNIR و دی‌الکتریک، روش‌های تلفیق داده (سطح پایین و سطح متوسط) برای استفاده از اثر هم‌افزایی اطلاعات به‌دست‌آمده از دو روش به‌کار گرفته شد. در پیش‌بینی بریکس، بهترین نتیجه مربوط به روش تلفیق داده سطح پایین با 0.94 = R²p و 0.74=RMSE_P بود. همچنین روش تلفیق داده سطح متوسط با 0.89 = R²p و 0.93= RMSE_P بهترین نتیجه را در پیش‌گویی مقادیر محتوای رطوبت داشت. بنابراین، رویکرد تلفیق داده به‌طور موثر دقت پیش‌بینی مدل‌های توصیف‌کننده را بهبود بخشید و می‌تواند به‌عنوان روش و ابزاری قابل‌اعتماد در اندازه‌گیری خصوصیات کیفی نیشکر مورد استفاده قرار گیرد.

چکیده میزان عناصر مغذی نقش به‌سزایی در رشد، تکثیر و عملکرد محصولات کشاورزی و گیاهان دارند. با پیش‌بینی این عناصر می‌توان به‌صورت دقیق نهاده‌های شیمیایی را مدیریت کرد. هدف از این مطالعه ارزیابی غیرمخرب میزان عناصر NPK با استفاده از طیف‌سنجی مرئی/ فروسرخ نزدیک (Vis/NIR) در بازه طول موجی 500 تا 1000 نانومتر بود. برای این منظور، طیف‌سنجی از نمونه‌های برگ درختان سیب در مد اندازه‌گیری برهم‌کنش انجام گرفت. برای حذف اثرات ناخواسته از روش‌های مختلف پیش‌پردازش استفاده شد تا مدل واسنجی دقیق حاصل شود. در این راستا، مدل واسنجی چندمتغیره حداقل مربعات جزئی (PLS) بر پایه اندازه‌گیری‌های مرجع و اطلاعات طیفی با روش‌های مختلف پیش‌پردازش مورد بررسی قرار گرفت. بهترین مدل ارائه‌شده مبتنی بر روش پیش‌پردازش توزیع نرمال استاندارد در ترکیب با مشتق دوم (SNV+D2) با مقادیر r_c= 0.988, RMSEC=0.028%, r_p=0.978, RMSEP=0.034% و 7.47=RPD متعلق به پیش‌بینی نیتروژن بود. بهترین مدل برای ارزیابی میزان پتاسیم و فسفر نیز براساس روش پیش‌پردازش تصحیح پراکنش افزاینده در ترکیب با مشتق دوم (MSC+D2) به‌ترتیب RPD=7.10, r_p=0.976, RMSEP=0.021% و RPD=5.96, r_p=0.958, RMSEP=0.0057% به‌دست آمد. نتایج به‌دست‌آمده حاصل از این پژوهش نشان می‌دهد که طیف‌سنجی Vis/NIR می‌تواند به‌عنوان یک ابزار غیرمخرب، سریع و قابل‌اعتماد برای پیش‌بینی مقدار عناصر مغذی درخت سیب استفاده و از مصرف بیش از حد نهاده‌های شیمیایی و پیامدهای ناشی از آن جلوگیری شود.

چکیده با توجه به متغیرهای متعددی که بر سیستم‌های اندرکنش خاک و ماشین تأثیرگذار هستند، پیش‌بینی پاسخ مکانیکی خاک در تعامل با دستگاه‌های کششی خارج از جاده چالش برانگیز است. در این مطالعه، شبکه‌های عصبی عمیق به دلیل توانایی آن‌ها در مدل‌سازی سیستم‌های پیچیده، چندمتغیره و دینامیک به‌عنوان یک راه‌حل بالقوه برای توضیح میزان فرورفتگی خاک در نرخ‌های مختلف از بار عمودی انتخاب شد. آزمایش‌های فشار-نشست خاک با استفاده از بوامتر در یک انباره خاک از نوع ثابت با طول 24 متر، عرض 2 متر و کانال خاک عمق 1 متر انجام شد. آزمایش‌های تجربی در سه سطح سرعت نشست، دو سطح اندازه صفحه، در محتوای آب خاک 10 درصد انجام شد که داده‌های تجربی در مورد روابط فشار و نشست خاک ارائه می‌کرد. این آزمایش‌ها به‌عنوان مبنایی برای الگوریتمی بود که قادر به تشخیص تعامل بین خاک ماشین پس از یک فرآیند تکراری دقیق بود. مشخص شد که یک شبکه عصبی عمیق، به‌ویژه یک شبکه عصبی عمیق با انتشار پیش‌خور با سه لایه پنهان، انتخاب بهینه برای این منظور است. معماری شبکه عصبی عمیق بهینه‌شده به‌صورت 1-10-15-8-3 شکل یافت که توسط الگوریتم بهینه‌سازی گرگ خاکستری تعیین شده است. در حالی‌که معادله بکر به‌طور سنتی به‌عنوان یک روش پذیرفته‌شده برای پیش‌بینی رفتار فشار- نشست خاک استفاده می‌شود، تأثیر سرعت نشست در خاک را نادیده می‌گرفت. با این حال، یافته‌های تحقیق تأثیر قابل‌توجهی از سرعت نشست بر پارامترهای حاکم بر پاسخ تغییر شکل خاک را نشان داد. شبکه عصبی عمیق آموزش‌دیده با موفقیت سرعت نشست را در ساختار خود گنجاند و نتایج دقیقی با مقدار میانگین مربعات خطای 0.0871 ارائه کرد.

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 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.

چکیده سنجش از دور فنّ به‌دست‌آوردن اطلاعات درباره یک شئ، عارضه و یا پدیده‌های مربوط به یک منطقه جغرافیایی خاص بدون تماس فیزیکی با آن‌ها است. دستیابی به دقت بالا در طبقه‌بندی عوارض سطح زمین به کمک تصاویر چندطیفی همواره مد نظر پژوهشگران بوده است. یکی از عوامل کاهش دقت نقشه طبقه‌بندی، ناهموار بودن سطح زمین است. وجود نقاط مرتفع موجب می‌شود که سنجنده در دریافت دقیق اطلاعات بازتابی از سطح پدیده‌ها با مشکل روبه‌رو شود. تصاویر رادار با ارائه مدل رقومی ارتفاع (DEM) در شناسایی و تعیین ارتفاع پدیده‌های سطح زمین موثر است. استفاده از خصوصیات تصاویر دو سنجنده کاملاً متفاوت به‌منظور بهره‌گیری از قابلیت‌های مثبت آن‌ها با کمک روش ادغام تصاویر ممکن می‌شود. در این پژوهش به‌منظور برآورد سطح زیر کشت و طبقه‌بندی محصولات زراعی و سایر پدیده‌های موجود در منطقه مورد مطالعه، از تصاویر چندطیفی ماهواره سنتینل2 مربوط به منطقه باجگاه واقع در استان فارس استفاده شد. بدین منظور سری زمانی NDVI متشکل از 13 تصویر ایجاد و با تصویر راداری سنجنده PALSAR در سطح پیکسل، با هدف حذف نقاط مرتفع، تلفیق شد. نتایج این پژوهش نشان داد طبقه‌بندی تصاویر برای شناسایی مزارع زیر کشت محصولات مختلف با دقت بالایی انجام شده است و سطح زیر کشت با دقت 97درصد در گندم، 99.5درصد در جو و 96.5 درصد در کلزا نسبت به مقادیر اندازه‌گیری‌شده در مزرعه تخمین زده شده است. تصاویر ادغام‌شده دارای دقت کلی 98.1 درصد و ضریب کاپا 0.97 بود که دقت کلی را نسبت به تصاویر مجزا 7.5 درصد بهبود بخشید.

چکیده بافت خاک یکی از خصوصیات مهم خاک است که با بسیاری از جنبه‌های عملکرد خاک، از بهره‌وری تا سهولت خاک‌ورزی، در ارتباط است. در حال حاضر، تعیین بافت خاک به دو صورت انجام می‌گیرد: در سطح مزرعه با دقت کم یا در محیط آزمایشگاهی و زمان‌بر. در این مطالعه به توسعه یک سیستم جدید برای تعیین بافت خاک در محل مورد نظر، با استفاده از یک نفوذسنج مخروطی با سه زاویه مخروط 30، 45 و 60 درجه پرداخته شد. نفوذسنج مجهز به یک میکروفون بود که در آن صدای حاصل از اصطکاک مخروط-خاک برای تعیین بافت خاک استفاده شد. برای تشخیص سه نوع بافت خاک که شامل رس، شن و لوم بود، از روش آنالیز سیگنال‌های صوتی در حوزه زمان- فرکانس (تبدیل موجک) استفاده گردید. تجزیه سیگنال‌ها در 5 سطح انجام شد و ویژگی‌های مجموع (SUM)، ریشه میانگین مربعات (RMS)، واریانس Var، کشیدگی (kurtosis) و ممان‌های مرتبه بالا Moment4 مورد مقایسه قرار گرفتند. نتایج نشان داد که زیر سیگنال‌های جزئیات اول مخروط 30 و 60 درجه، جزئیات سوم مخروط 60 درجه، جزئیات چهارم مخروط 60 درجه و آپروکسیمت مخروط 45 و 60 درجه به‌ترتیب دارای بیشترین توانایی و اولویت برای تشخیص نوع بافت خاک از یکدیگر می‌باشند. در بین ویژگی‌های بررسی‌شده به‌ترتیب ویژگی‌های مجموع، واریانس، ممان، کشیدگی و ماکزیمم برای تشخیص نوع خاک با سطح احتمال 1% دارای اولویت هستند. مقادیر همه این ویژگی‌ها با افزایش اندازه ذرات خاک از رس تا شن افزایش یافت. تکنیک صوت دارای پتانسیل خوبی جهت تشخیص نوع بافت خاک بود.

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 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.

چکیده علی‌رغم توسعه روزافزون استفاده از روبات‌ها در فرآیندهای مختلف، استفاده از بازوهای مکانیکی ماهر در عملیات زراعی بسیار محدود می‌باشد. در این مقاله تحلیل فضای کاری و سینماتیک یک روبات 4 درجه آزادی با سه پیکربندی متفاوت برای انجام یک عملیات زراعی در محیط مزرعه مورد بررسی واقع شده است. محاسبات اولیه براساس روش‌های تحلیلی (هندسی) برای طراحی بازو انجام شده و سینماتیک آن در فضای نرم‌افزارهای Solidworks و Matlab با سه پیکربندی متفاوت در قالب دو آزمون شبیه‌سازی شده‌است. تعریف مسیر حرکت در فضای مفصلی براساس نقاط ابتدا و انتهای مسیر و یک چندجمله‌ای درجه 5 انجام پذیرفت. با مقایسه شاخص‌هایی مانند تحلیل سرعت مجری نهایی، شاخص فضای کاری و معیار چالاکی پیکربندی مناسب از میان 3 نوع پیکربندی مورد بررسی، انتخاب گردید. این انتخاب با نتیجه تحقیقاتی که محققین روی بهترین ساختار سه مفصل اول روبات مشهور پیوما انجام داده‌اند، سازگار بود.

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 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.

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 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.

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 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.

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 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.

چکیده استفاده از تکنیک سنجش از دور امروزه در کشاورزی کاربردهای فراوانی دارد ازجمله تعیین سطح زیرکشت و پیش‌بینی عملکرد محصول. در این پژوهش از تصاویر ماهواره‌ای جهت تفکیک گندم آبی و دیم در استان همدان استفاده شد. شاخص‌های NDVI ،EVI و NDWI از تصاویر 16 روزه سنجنده‌های لندست، مادیس و سنتینل 3 در بازه پنج ساله مورد مطالعه (2015-2019) استخراج گردید. نتایج شاخص‌ها نشان داد کاهش شدید NDVI/EVI بعد از نقطه اوج به‌دلیل آن است که زمان زرد شدن و یا برداشت محصول فرا رسیده است. به‌علاوه NDWI به‌ترتیب در بیشینه سبزینگی گندم در کشت آبی و دیم 0.767 و 0.736 دیده شد. سامانه Google Earth Engine محیط انجام محاسبات پردازش تصاویر و استخراج شاخص‌ها و نقشه‌ها بود و نرم‌افزار R نیز برای آنالیزهای طبقه‌بندی و تفکیک کشت دیم و آبی به‌کار رفت. نتایج نشان داد نقشه استان بر اساس سطح زیر کشت دیم و آبی ماهواره سنتینل 3 جزییات بیشتری را نشان داد. همچنین استفاده همزمان از چند شاخص NDVI ،EVI و NDWI توانست قدرت تفکیک را افزایش دهد. علی‌رغم شباهت‌های موجود، الگوریتم‌های SVM و MD نیز با دقت قابل‌قبولی تفکیک کشت دیم و آبی استان را ارائه دادند. نتایج نشان داد کشت دیم و آبی گندم استان با دقت 0.737 تفکیک شد و تفکیک گندم از سایر کشت‌ها با دقت 0.945 انجام گردید.

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 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.

چکیده در سال‌های اخیر تولید پسته توسط آفتی به نام پسیل تهدید شده است. هدف از انجام این تحقیق انتخاب باندهای طیفی مناسب جهت تشخیص برگ‌های آلوده به آفت پسیل می‌باشد. برای این منظور از 160 برگ سالم و 160 برگ بیمار در 64 باند طیفی در ناحیه بین 400 تا 1100 نانومتر با قدرت تفکیک طیفی حدوداً 10 نانومتر طیف‎نگاری انجام شد. از روش جنگل‌های تصادفی برای مرتب‌سازی طول‌موج‌ها بر اساس قدرت تفکیک بین برگ‌های سالم و بیمار استفاده شد. پس از شناسایی و مرتب‌سازی طول‌موج‌ها بر اساس میزان اهمیت، طول‌موج‌های دارای بیشترین اهمیت توسط یک الگوریتم خوشه‌بندی در شش خوشه تقسیم‌بندی شدند به‌طوری‌که میانگین طول‌موج‌های هر خوشه‌ها حداقل 50 نانومتر از یکدیگر فاصله داشته باشند. میانگین طول‌موج‌های قرار گرفته در شش خوشه به‌ترتیب اهمیت عبارت بود از: 710، 791، 858، 598، 468، و 1023 نانومتر. برای تبدیل داده‌های فراطیفی به چندطیفی، از بازتابش‌های به‌دست آمده در فاصله 15± نانومتری این مراکز میانگین‌گیری انجام گرفت و داده‌های بازتابش به‌دست آمده از دیگر طیف‌ها حذف شد. الگوریتم ماشین بردار پشتیبان برای طبقه‌بندی برگ‌های سالم و بیمار با استفاده از داده‌های فراطیفی و چند طیفی به‌دست آمده در این پژوهش به‌کار گرفته شد. دقت طبقه‌بندی با استفاده از تمام 64 طول‌موج (داده‌های فراطیفی) 90.91 درصد و با استفاده از 6 طول‌موج (داده‌های چندطیفی) 88.69 درصد بود. اختلاف بسیار کم (حدود 2 درصد) در میزان دقت طبقه‌بندی نشان‌دهنده صحت شیوه ارائه شده در این پژوهش برای کاهش ابعاد داده‌های فراطیفی می‌باشد. علاوه بر کاهش ابعاد داده، تعیین باندهای طیفی مناسب از میان داده‌های فراطیفی گامی موثر در طراحی و ساخت حسگری چندطیفی جهت تشخیص بیماری گیاهان می‌باشد.

چکیده دستگاه اندازه‌گیر تلفات دانه کمباین وسیله‌ای است که با نصب آن روی کمباین، می‌توان از میزان تلفات در واحدهای جداکننده و تمیزکننده آگاهی یافت. از جمله مزایای این دستگاه این است که به کاربر این امکان را می‌دهد با داشتن یک میزان قابل قبول از تلفات دانه، بیشینه سرعت پیشروی را انتخاب نمود. در تحقیق حاضر از صفحه مشبکی به ابعاد 60×100 سانتی‌متر مربع که قطر شبکه‌های آن 7 میلی‌متر بوده برای جداسازی شلتوک از کاه و کلش استفاده شد. دانه‌های جداشده از این قسمت روی صفحه زیرین می‌ریزند که از طریق 4 شبکه جداگانه روی حسگرهای مورد نظر سقوط کرده و پالس‌های مورد نظر از حسگرها به کاربر ارسال و در صفحه نمایشگر نشان داده می‌شود. میزان تلفات دانه در انتهای کمباین با استفاده از حسگر پیزوالکتریک که دارای حساسیت بالا در تشخیص دانه‌های شلتوک می‌باشد بررسی گردید. نمونه مورد آزمایش در این تحقیق یک کیلوگرم کاه و کلش به همراه 52گرم شلتوک است که معادل تلفات سه درصدی (میانگین تلفات انتهای کمباین در کشورهای پیشرفته 2.14 درصد است) در انتهای کمباین می‌باشد. تیمارهای مورد استفاده، سرعت دورانی صفحه مشبک، شیب صفحه مشبک و رطوبت نمونه بوده که هرکدام در سه سطح و در سه تکرار مورد آزمایش قرار گرفت. سپس با استفاده از طرح کاملاً تصادفی تجزیه و تحلیل آماری انجام شد. برای تجزیه و تحلیل آماری عملکرد دستگاه، از نرم‌افزار GenStat استفاده شد. نتایج تحقیقات نشان داد مناسب‌ترین کارایی دستگاه در سرعت دورانی 100 دور در دقیقه صفحه مشبک، رطوبت 12 درصدی نمونه آزمایشی و شیب 25 درجه‌ای صفحه مشبک معادل 95.51% می باشد، که مهم‌ترین دلیل آن ارتعاش زیاد در بیشینه سرعت دورانی صفحه مشبک و پراکندگی نمونه آزمایشگاهی به دلیل رطوبت پایین آن می‌باشد. کمترین میزان کارایی دستگاه نیز در سرعت دورانی 100 دور در دقیقه، رطوبت 24 درصدی نمونه آزمایشی و شیب 45 درجه‌ای صفحه مشبک 70% می‌باشد.

چکیده تشخیص زودهنگام بیماری گیاهان قبل از وقوع علائم، می‌تواند افت عملکرد را محصول را کاهش داده و کیفیت آن را افزایش دهد. این امر همچنین مصرف سموم شیمیایی، مشکلات زیست‌محیطی و هزینه تولید را کاهش می‌دهد. هدف از انجام این تحقیق، تشخیص غیر تخریبی بیماری لکه‌موجی گیاه گوجه‌فرنگی و همچنین تشخیص مهم‌ترین عوامل بیماری‌زای آن (A. solani, A. alternate) از یکدیگر در مراحل اولیه بیماری، قبل از بروز علائم ظاهری، با استفاده از طیف‌سنجی مرئی/ فروسرخ نزدیک (400-900 نانومتر) بود. داده‌های طیفی از برگ‌های گیاهان آلوده به A. alternate و A. solani در 48، 72، 96 و 120 ساعت بعد از تلقیح بیماری استخراج شدند. به‌منظور توسعه مدل‌های تشخیص بر اساس داده‌های طیفی، از تجزیه مؤلفه‌های اصلی (PCA) همراه با شبکه عصبی مصنوعی (ANN) استفاده شد. نتایج نشان داد که مدل PCA-ANN توانست گیاهان آلوده و نوع پاتوژن را با دقت 93-100 درصد در نمونه‌های تست شناسایی کند. در 96 ساعت بعد از تلقیح، علاوه بر به‌دست آمدن مدل ساده‌تر پیش‌بینی (8 مؤلفه اصلی و 3 نرون در لایه مخفی)، دقت 100 درصد تشخیص حاصل شد. مدل‌های تدوین شده، در تمامی زمان‌های بعد از تلقیح، در تشخیص گیاهان آلوده با A. solani که دارای قدرت بیماری‌زایی بالایی می‌باشد نسبت به گیاهان سالم، هیچ خطایی نداشتند. استفاده از طیف‌سنجی مرئی/ فروسرخ نزدیک (400-900 نانومتر) همراه با PCA-ANN توانست بیماری لکه‌موجی گوجه‌فرنگی و نوع پاتوژن آن را قبل از بروز علائم ظاهری (با دقت 100-93 درصد) بدون هیچ آماده‌سازی گیاه، به‌صورت غیر مخرب تشخیص دهد. نتایج این پژوهش نشان داد که این تکنیک می‌تواند برای تشخیص سریع، کم‌هزینه و زودهنگام این بیماری گوجه‌فرنگی به‌جای روش‌های آزمایشگاهی زمان‌بر، گران و مخرب به‌کار رود.

چکیده در تحقیق حاضر طراحی و ساخت یک سامانه هشدار الکترونیکی برای عدم سقوط بذرهای درشت از لوله سقوط کارنده به داخل شیار زمین با استفاده از سه نوع بذر ذرت، لوبیا و سویا انجام شده است. دو حسگر لیزر و ماکروویو و روش دستی در شمارش بذر مورد استفاده قرار گرفت. این آزمایش‌ها در قالب طرح کاملاً تصادفی با دو تیمار نوع بذر (ذرت، لوبیا و سویا) و نوع شمارش بذر (دستی، مایکروویو و لیزر) در حساسیت متوسط و بالای حسگرها یک بار در مزرعه و یک بار در آزمایشگاه در سه تکرار انجام شد. برای مقایسه میانگین از آزمون دانکن در سطح احتمال 1% استفاده شد. نتیجه نشان داد که در آزمایشگاه اختلاف تعداد شمارش بذر توسط حسگر لیزر نسبت به تعداد واقعی آن در حساسیت متوسط و بالا برای بذر ذرت به‌ترتیب 87.4% و 94.3%، بذر لوبیا 89.1% و 94.2% و بذر سویا 89.4% و 92.3% و در حالت مزرعه اختلاف برای بذر ذرت به‌ترتیب 86.5% و 92.6%، بذر لوبیا 92% و 94.3% و بذر سویا 89.3% و 93.6% بود که در بیشتر موارد اختلاف معنی‌دار مشاهده شد. اختلاف تعداد شمارش بذر توسط حسگر مایکروویو نسبت به تعداد واقعی آن در حساسیت متوسط و بالا در آزمایشگاه برای بذر ذرت به‌ترتیب 85.3% و 90.5%، بذر لوبیا 83.8% و 92.3% و بذر سویا 86.9% و 93.2% و این اختلاف در مزرعه برای بذر ذرت به‌ترتیب 82.7% و 88.9% ، بذر لوبیا 88.3% و 91.4% و بذر سویا 84.6% و 91.8% بود که در بیشتر موارد اختلاف معنی‌دار مشاهده شد. در صورت عدم سقوط بذر در این حسگرها، سامانه به اپراتور هشدار می‌دهد. لازم به ذکر است که در تمام موارد عملکرد حسگر لیزر در شمارش بذر از حسگر مایکروویو بهتر بود.

چکیده با توجه به نیاز بیشتر جمعیت رو به افزایش جهان به مواد غذایی، محققان به دنبال افزایش تولید کمی و کیفی محصولات با گرایش به سمت پایش برخط، کنترل هوشمند تجهیزات و بررسی کیفیت محصولات کشاورزی به‌خصوص در زمینه پرورش آبزیان هستند. در این پژوهش شبیه‌سازی یک قایق خودران مدل انجام شده است تا کنترل این نوع از شناورها را در محیط‌های مختلفی مانند اسکله‌ها، سد‌ها، بنادر، رودخانه‌ها، زیست‌بوم‌های آبی و مزارع پرورش آبزی انجام داده و امکان بررسی و پایش وضعیت زیست‌محیطی، عمق آب و شاخصه‌های مورد نیاز دیگر را فراهم آورد. موقعیت و زاویه حرکت قایق با استفاده از داده‌های GPS و IMU تعیین شده است. مدل سیالاتی و نیرویی قایق به کمک ضرایب هیدرودینامیکی و آئرودینامیکی ارائه و در محیط متلب به کمک رانگ کوتای کلاسیک (RK4) شبیه‌سازی شده است. برای ارزیابی عملکرد قایق ربات خودران، یک مسیر مستطیل شکل با طول 20 متر در عرض 15 متر در یک استخر انتخاب شد و 4 گوشه این مستطیل به‌عنوان نقطه مسیر به سامانه ناوبری معرفی گردید. بیشینه خطای موقعیت مکانی عرضی و طولی قایق ربات خودران به‌ترتیب cm 135 و cm 149 محاسبه شد. همچنین در آزمون کنترلر PID سرعت پیشروی با سرعت تنظیمی cm s^-1 40 میانگین و انحراف معیار به‌ترتیب cm s^-1 40 و  cm s^-12 به‌دست آمد. مسیر حرکت قایق تقریباً بر روی مسیر شبیه‌سازی شده قرار داشت و نتایج به‌دست آمده از دقت خوب این مدل حکایت دارد.

چکیده در این پژوهش بررسی سینتیک خشک شدن چیپس سیب‌زمینی و مدل‌سازی آن در یک خشک‌کن مایکروویو با سامانه ثبت تصویر به‌صورت بلادرنگ و اعمال سطوح توان متغیر در طی فرآیند خشک کردن انجام گرفت. در خشک‌کن مورد نظر دو سری آزمایش انجام گرفت، سری اول با سه سطح چگالی توان 2.67، 4 و 8 W g^-1 با دو حالت چگالی توان ثابت و متغیر برای بررسی و مدل‌سازی سینتیک تغییرات محتوای رطوبتی و سری دوم با دو سطح 3 و 5 W g^-1 برای ارزیابی مدل‌های ساخته شده استفاده شد. همچنین چروکیدگی محصول به کمک الگوریتم پردازش تصویر توسعه داده شده اندازه‌گیری شد. دو مدل شبکه عصبی، اولی با ورودی‌های زمان و چگالی توان و دومی با ورودی‌های نسبت چروکیدگی و چگالی توان برای مدل‌سازی و پیش‌بینی تغییرات محتوای رطوبتی توسعه داده شدند. نتایج ارزیابی مدل‌ها نشان داد که مدل دوم با همبستگی 0.994 و خطای 0.067 نسبت به مدل اول با همبستگی 0.961 و خطای 0.173 دارای قابلیت اعتماد و اطمینان بیشتری برای پیش‌بینی تغییرات محتوای رطوبتی می‌باشد.