ماشین های کشاورزی

چکیده تشخیص خودکار و به‌موقع بیماری‌های گیاهی، یک موضوع اساسی در نظارت و تولید محصولات سالم و باکیفیت است. لذا طراحی و توسعه روشی سریع، خودکار، ارزان و دقیق به‌منظور تشخیص بیماری گیاهان در مراحل اولیه از اهمیت به‌سزایی برخوردار است. در این پژوهش تصاویر از 40 لیلیوم آلوده به بیماری آتشک و 40 گیاه سالم توسط دوربین دیجیتال اخذ و پس از تقسیم‌بندی تصاویر تعداد 9 ویژگی رنگی از سه کانال RGB، Lab و HSV از ساقه و برگ گیاه و همچنین یک ویژگی مورفولوژیکی (طول ساقه) از گیاه استخراج شد. با اعمال الگوریتم پرچین‌های زبانی طی 100 هزار تکرار موثرترین این ویژگی‌ها (L برگ، L ساقه، a برگ، b برگ، H برگ، b ساقه، H ساقه، V برگ و طول ساقه) انتخاب و به‌وسیله خوشه‌بند k-means گروه‌بندی شدند. در نهایت نشان داده شد که دقت خوشه‌بند برای دو گونه بیمار، سالم و دقت کلی به‌ترتیب برابر با 96.42 و 100 و 97.63 درصد به‌دست آمد.

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 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.

چکیده سنجش از دور و به‌کارگیری تصاویر ماهواره‌ها به‌علت سرعت کار و گستردگی سطح پوشش بسیار مورد توجه قرار گرفته است. کلزا به‌دلیل گل‌های زرد آن دارای رنگ پوشش گیاهی متفاوتی با سایر محصولات است و تحقیقات کمی در زمینه ارزیابی شاخص‌های طیفی به‌منظور پیش‌بینی عملکرد آن انجام گردیده است. در سال زراعی 96-95 با هدف پیش‌بینی عملکرد کلزا ده شاخص طیفی سنجنده سنتینل-2، مورد ارزیابی قرار گرفت. این تحقیق به شکل پیکسل‌مبنا در سه مزرعه انجام شد و محدوده شبکه‌ای پیکسل‌های مزارع با کمک سیستم موقعیت‌یابی جهانی سینماتیک زمان واقعی (RTKGPS) تعیین گردید. در این تحقیق مدل‌های رگرسیونی خطی ساده و چند متغیره و نیز شبکه عصبی به‌کار رفت. نتایج نشان داد براساس مدل رگرسیون خطی ساده، بین مراحل مختلف رشد، بیشترین ضریب تبیین (R²) در هر یک از شاخص‌های گیاهی در یکی از دو مرحله اوج گل‌دهی و رسیدگی سبز رخ می‌دهد. براساس این مدل، در مرحله اوج گل‌دهی، شاخص تفاضل نرمال شده زردی (NDYI) با 73 درصد بیشترین ضریب تبیین را نسبت به سایر شاخص‌ها احراز کرد. با به‌کارگیری مدل رگرسیون خطی چند متغیره گام به گام با ورودی چهار باند، سه باند مرئی و باند مادون قرمز نزدیک، بهترین مدل در مرحله اوج گل‌دهی با ضریب تبیین 76 درصد و اعتبارسنجی 73 درصد با ریشه میانگین مربعات خطا (RMSE) به‌میزان 0.641 به‌دست آمد. همچنین با استفاده از مدل شبکه عصبی و ورود چهار باند مذکور نیز بهترین مدل در مرحله اوج گل‌دهی با ضریب تبیین 92 درصد (آموزش) و اعتبارسنجی (آزمون) 77 درصد با RMSE به‌میزان 0.612 احراز شد.

چکیده وجود کارهای تکراری، سخت و طاقت‌فرسا و بعضاً خطرناک در محیط گلخانه هم‌چون سم‌پاشی و برداشت، استفاده از ربات را در گلخانه ضروری نموده است. ساختار مکانیکی و الگوریتم ناوبری دو فاکتور مهم در طراحی و ساخت ربات‌های گلخانه می‌باشند. در این پروژه یک ربات متحرک گلخانه چهار چرخ محرک با فرمان‌گیری دیفرانسیلی طراحی و ساخته شد. سپس ناوبری ربات در سطوح با جنس‌های مختلف و نیز محیط گلخانه واقعی مورد ارزیابی قرار گرفت. الگوریتم ناوبری ربات بر اساس یادگیری مسیر بود بدین صورت که ابتدا مسیر مورد نظر با استفاده از کنترل راه دور بر اساس پالس ارسالی از اینکودرهای چرخ، در حافظه ربات ذخیره می‌شد سپس ربات به‌صورت خودکار این مسیر را طی می‌کرد. دقت ناوبری ربات در سطوح با جنس‌های مختلف (سرامیک، بتون، خاک متراکم و خاک نرم) در مسیر مستقیم به طول 20 متر و مسیر مربع شکل 4×4 متر مورد آزمایش قرار گرفت. هم‌چنین دقت ناوبری ربات در محیط گلخانه ارزیابی شد. مقدار انحراف ربات با استفاده از شاخص‌های آماری ریشه میانگین مربعات خطا (RMSE) و انحراف معیار (SD) محاسبه شدند. نتایج نشان داد که ریشه میانگین مربعات خطای انحراف ربات در حالت خودکار نسبت به روش دستی در مسیر مستقیم به طول 20 متر در سطوح سرامیکی، سیمانی، خاک متراکم و خاک نرم به‌ترتیب 4.3، 2.8، 4.6 و 8 سانتی‌متر و در مسیر مربع شکل4×4 متر، 6.6، 5.5، 13.1 و 47.1 سانتی‌متر به‌دست آمد.

چکیده در این پژوهش از یک روش جدید به‌منظور پیش‌بینی دبی خروجی بذر ذرت در دقیق‌کارها استفاده شد. بدین منظور 9 عدد موزع با سه سطح تعداد شیار (4، 5 و 6 شیار) و سه سطح زاویه دهانه شیار (23، 25 و 27 درجه) در چهار سطح سرعت دورانی (40، 52، 63 و 78 دور بر دقیقه) مورد استفاده قرار گرفتند. سرعت پیشروی تسمه آغشته به گریس به‌طور مداوم 3.5 کیلومتر برساعت در نظر گرفته شد. تمامی آزمایش‌ها در سه تکرار انجام شدند. ذرت به‌عنوان یک ماده ریزدانه دارای اندازه‌های نزدیک به یکدیگر بودند. میانگین دبی خروجی بذور در مقابل سرعت دورانی محاسبه گردید. بر اساس نتایج حاصله، تغییر زاویه دهانه شیار، تعداد دهانه شیار، سرعت دورانی و اثر دوگانه آن‌ها در سطح احتمال یک درصد بر میزان دبی خروجی بذور تأثیر معنی‌داری داشت. بر اساس روش مدل‌سازی آنالیز ابعادی و سطح پاسخ، داده‌ها مورد ارزیابی قرار گرفتند. میزان خطای استاندارد برای روش آنالیز ابعادی و سطح پاسخ به‌ترتیب برابر با  (mm³.s^-1)13.68 و  (mm³.s^-1)59.475 محاسبه گردید. مدل حاصل از آنالیز ابعادی نسبت به مدل حاصل از روش سطح پاسخ به مقادیر به‌دست آمده از آزمایش‌ها نزدیک‌تر بود، بنابراین به‌منظور پیش‌بینی دبی خروجی بذور، مدل به‌دست آمده از روش آنالیز ابعادی پیشنهاد شد.

چکیده سطح یک خاک خاک‌ورزی شده مملو از خاک‌دانه‌ها و کلوخه‌هایی است که دارای اندازه‌های مختلف می‌باشند به گونه‌ای‌که اندازه آن‌ها از نظر کیفیت خاک‌ورزی و میزان مصرف انرژی در آماده‌سازی بستر بذر از اهمیت به‌سزایی برخوردار است. در این پژوهش طبقه‌بندی کلوخه‌های حاصل از خاک‌ورزی از طریق بینایی استریو بر اساس طول، عرض و ارتفاع آن‌ها مورد توجه قرار گرفته است. از بین این ابعاد، محاسبه ارتفاع (ضخامت) کلوخه‌ها همواره با چالش روبه‌رو بوده است؛ چرا که محاسبه آن که در اصطلاح پردازش تصویر به عمق تصویر معروف است، با یک تصویر تکی غیرممکن و یا بسیار سخت می‌باشد که برای این به سه‌بعدی‌سازی تصویر نیاز است. در این مطالعه یک مجموعه داده تصاویر استریو از سطح خاک در زمین زراعی تهیه گردید. تعداد این زوج تصاویر استریو برابر 312 جفت بود که برای بازسازی سه‌بعدی آن‌ها به‌ترتیب عملیات کالیبراسیون، استخراج نقاط کلیدی از زوج تصاویر استریو، تطابق نقاط یافته شده و محاسبه مدل ابر نقطه‌ای روی آن‌ها انجام پذیرفت و تصاویر به شکل سه‌بعدی درآمدند. با به‌دست آمدن تصویر سه‌بعدی ارتفاع کلوخه‌ها محاسبه شدند و نهایتاً با در اختیار داشتن این اطلاعات و نیز استفاده از مدل تحلیل تمییزی به‌عنوان یک دسته‌بند خطی، کلوخه‌ها با اندازه‌های گوناگون طبقه‌بندی شدند. بالاترین دقت طبقه‌بندی 2/96% و نیز دقت کلی طبقه‌بندی برابر 7/83% به‌دست آمد. نتایج این مطالعه نشان داد رویکرد بینایی استریو می‌تواند با تعیین ابعاد کلوخه‌ها به‌ویژه ارتفاع آن‌ها در کیفیت‌سنجی عملیات خاکورزی به‌صورت رضایت‌بخشی مورد استفاده قرار گیرد.

چکیده در این مقاله، عملکرد یک کارنده کشت مستقیم ذرت در زمین پوشیده از بقایای گندم (سه سطح پوشش بقایای 30، 45 و60 درصد، دو طرح کاشت روی پشته و داخل جوی، سرعت کاشت 4 و 8 کیلومتر بر ساعت) از طریق مشاهدات زمینی و هوایی ارزیابی شد. هدف از این مطالعه بررسی توانایی تصاویر گرفته شده توسط پرنده‌ی بدون سرنشین برای تشخیص فواصل بین بوته‌های ذرت و در نتیجه ارزیابی کیفیت عملکرد کارنده بود. داده‌های جمع‌آوری شده از زمین و تصاویر هوایی برای محاسبه شاخص‌های استقرار بذر شامل شاخص‌های چندتایی، نکاشت، کیفیت تغذیه، دقت و همچنین شاخص سرعت جوانه‌زنی برای هر پلات، استفاده شد. تصاویر اخذ شده از ارتفاع 10 متری (5/4 میلی‌متر بر پیکسل) نتایج خوبی با توجه به اهداف ما داشت. نتایج نشان داد که همبستگی قابل قبولی (ضریب همبستگی بین 94/0 تا 98/0) میان داده‌های زمینی و هوایی فاصله بین بوته‌های ذرت وجود دارد و می‌توان نتیجه گرفت که تصویربرداری هوایی انتخاب مناسبی برای ارزیابی استقرار بذر و تخمین سرعت جوانه‌زنی می‌باشد. داده‌های تصاویر هوایی مقادیر شاخص های کیفیت تغذیه و دقت را کمتر و مقادیر شاخص نکاشت را بیشتر از نتایج داده‌های زمینی تخمین زد و نتوانست داده‌های لازم برای محاسبه شاخص چندتایی را به‌دلیل دقت پایین تصاویر، حضور علف‌های هرز مابین ردیف محصول و هم‌پوشانی برگ‌ها فراهم کند.

چکیده بیماری آتشک یکی از مخرّب‌ترین بیماری باکتریایی درختان میوه دانه‌داردر سراسر جهان است. در سال‌های اخیر، طیف‌سنجی به‌عنوان یک روش دقیق و زمان واقعی برای تشخیص بیماری‌های گیاهی شناخته شده است. بنابراین، هدف اصلی این پژوهش تشخیص بیماری آتشک درختان گلابی در مراحل اولیه آلودگی با استفاده از طیف‌سنجی مرئی و مادون قرمز نزدیک است. برای دستیابی به این هدف، طیف بازتابی برگ‌های سالم، برگ‌های شبه‌بیمار و برگ‌های بیمار در محدوده طیفی نور مرئی و مادون قرمز نزدیک اندازه‌گیری شد. به منظور حفظ اطلاعات مهم طیفی و همچنین کاهش ابعاد داده‌ها، روش‌های مختلف خطی و غیرخطی مانند تجزیه و تحلیل PCA، نقشه‌برداری سامون و روش اتوکودر چندلایه (MAE) مورد استفاده قرار گرفت. خروجی روش‌های مذکور به‌عنوان ورودی برای روش طبقه‌بندی SIMCA با هدف تفکیک برگ سالم، بیمار و شبه‌بیمار به‌کار رفت. بر اساس نتایج، بهترین طبقه‌بندی با استفاده از روش PCA در طیف مشتقی، با دقت 8/95، 3/89 و 6/91 درصد به‌ترتیب برای نمونه‌های سالم، شبه‌بیمار و بیمار به‌دست آمد. این نتایج توانایی روش‌های یادگیری چندمنظوره را برای تشخیص زودهنگام بیماری آتشک با استفاده از طیف‌سنجی تأیید می‌کند.

چکیده هدف اصلی این تحقیق، بررسی توانایی‌های دو روش غیر مخرّب، تصویربرداری دیجیتال (DI) و تصویربرداری پس‌پراکنشی نور لیزر (LLBI)، روی تشخیص سم آلفا- سولانین در سیب‌زمینی است. نمونه‌های سیب‌زمینی در گروه‌های سالم و سمّی براساس مقدار آلفا- سولانین موجود دسته‌بندی شدند. کروماتوگرافی مایع با عملکرد بالا (HPLC) برای تعیین مقدار آلفا- سولانین موجود در غده‌های سیب‌زمینیی استفاده گردید. نتایج طبقه‌بندی نشان داد که شبکه عصبی پرسپترون تک لایه می‌تواند سیب‌زمینی‌ها را با دقّت 28/94% و 66/98% به ‌ترتیب توسط سیستم‌های تصویربرداری دیجیتال و پس پراکنشی لیزر (رقم دونالد) طبقه‌بندی نماید. می‌توان گفت که سیستم‌های پس‌پراکنشی لیزر ممکن است از سیستم‌های تصویربرداری دیجیتال به دلیل دقّت و سرعت بالای آن و همچنین قابلیت صنعتی شدن آن سبقت گیرد.

چکیده در این تحقیق جهت شبیه‌سازی روش سرعت بازگشت آونگ روی خربزه، تجزیه و تحلیل عددی نیرومندی پیشنهاد شد. تغییر پارامترهای ضربه روی دو رقم خربزه (زرد ایوانکی و سوسکی سبز) و در پنج مرحله رسیدگی بررسی شد. نتایج نشان داد که سرعت بازگشت، ارتفاع بازگشت، ارتفاع نسبی بازگشت، زاویه بازگشت، انرژی بازگشت و ضریب پس‌جهش (نسبت سرعت) با رسیدگی خربزه افزایش و انرژی جذب شده کاهش یافت. تجزیه و تحلیل رگرسیون رابطه خطی با معنی‌داری بالایی بین پارامترهای ضربه و پنج مرحله رسیدگی را نشان داد. نتایج تجزیه و تحلیل در تشخیص رسیدگی و از این رو در طبقه‌بندی بلوغ خربزه امکان‌پذیر است.
 

چکیده اسانس‌ها یا روغن‌های فرار ازجمله مواد موجود در گیاهان هستند که شامل مخلوط پیچیده‌ای از مواد شیمیایی آلی مثل ترپینوئیدها، آلدئیدها، الکل‌ها، استرها، ستن‌ها و غیره می‌باشند. اسانس‌ها از تقطیر مواد فرار موجود در اندام‌های مختلف گیاهان تازه یا خشک به‌دست می‌آیند و وزن مخصوص آن‌ها غالباً از آب کمتر است. اسانس‌ها را می‌توان به سه دسته طبیعی، مشابه طبیعی و مصنوعی تقسیم کرد. روش‌های متداول شناسایی و ارزیابی اسانس‌های روغنی دارای نقطه‌ضعف‌هایی هستند. در این تحقیق یک سامانه بینی الکترونیکی شامل هفت حسگر نیمه‌هادی اکسید فلزی برای تشخیص و تفکیک هشت نوع اسانس لیموی تجاری توسعه داده‌شده و با استفاده از روش‌های تحلیل مؤلفه‌های اصلی، تحلیل تفکیک خطی و شبکه عصبی مصنوعی ارزیابی شد. بر اساس نتایج حاصل از تحلیل داده‌های این سامانه، روش تحلیل مؤلفه‌های اصلی با دو مؤلفه اصلی PC1 و PC2 توانست ۹۹ درصد از واریانس داده‌ها را پوشش دهد. همچنین تمامی حسگرها ضرایب لودینگ بالایی را از خود نشان دادند. روش‌های تحلیل تفکیک خطی و شبکه عصبی مصنوعی نیز به‌ترتیب با دقت بالای 98% و91% قادر به جداسازی نمونه‌ها بودند. بنابراین سامانه بینی الکترونیکی پیشنهادشده نشان داد که ابزار قابل‌اعتماد و کم‌هزینه‌ای جهت جداسازی اسانس‌های لیموی تجاری می‌باشد.

چکیده در زمینه‌ی کشاورزی، نظارت منظم و دوره‌ای جهت کنترل سلامت و کیفیت گیاهان امری ضروری است. اندازه‌گیری مقدار کلروفیل و کارتنوئید برگ به‌عنوان یکی از شاخص‌های سلامت محصول محسوب می‌شود. در این پژوهش مجموعه‌هایی از تصاویر برگ‌های 6 گیاه مختلف (ختمی، لگنوم، برگ بیدی، انجیر معابد، رز و کنار) با هدف پیش‌بینی کلروفیل و کارتنوئید در فضاهای رنگی پیشنهادشده (RGB،Lab ،HSV  و I1I2I3) مورد بررسی قرار گرفتند. هر فضای رنگی شرایط مختلفی از احتمال توزیع یک گروه رنگ را ارائه می‌دهد، بدین ترتیب پس از بررسی فضاهای رنگی با توجه به نتایج آنالیز آماری در سطح احتمال 5%، مناسب‌ترین پارامترهای رنگی (R، a و c) جهت آموزش الگوریتم درخت تصمیم‌گیری انتخاب گردید. بر اساس نتایج به‌دست‌آمده، نشان داده شد که بین روش پردازش تصویر و مقادیر اندازه‌گیری شده توسط دستگاه طیف‌سنج همبستگی بالای 92/0 برای کلروفیل و 85/0 برای کارتنوئید وجود دارد. همچنین شایان ذکر است که استفاده از روش پیشنهادی این تحقیق می‌تواند هم از لحاظ اقتصادی (هزینه‌های مربوط به نیروی انسانی و تهیه دستگاه اسپد) و هم از نظر صرفه‌جویی در زمان بسیار مقرون به‌صرفه باشد.

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 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.

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 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.

چکیده محصول خرما یکی از ارزشمندترین محصولات باغبانی در ایران به‌شمار می‌آید که 16% کل صادرات جهانی را شامل می‌شود. استان کرمان دومین رتبه در سطح زیر کشت خرما در ایران را دارا است. به همین منظور تعیین سطح زیر کشت خرما اهمیت پیدا کرده است. برخی از سازمان‌ها برای تعیین سطح زیر کشت از سرشماری استفاده می‌کنند که معایب آن هزینه بالا و اتلاف وقت و نیاز به نیروی انسانی زیاد برای پوشش‌دهی کل کشور است. هدف از این تحقیق سنجش توانایی ماهواره لندست 8 با سنجده OLI  در شناسایی و تعیین سطح زیر کشت نخلستان‌ها است. برای پی بردن به بهترین روش برای شناسایی نخلستان‌ها چهار روش طبقه‌بندی نظارت‌شده Maximum Likelihood Classifier (MLC), Support Vector Machines (SVM), Neural Network (NN), Mahalanobis Distance Classifier (MDC) و یک روش طبقه‌بندی نظارت‌نشده (K-Means) مورد ارزیابی قرار گرفت. نتایج طبقه‌بندی‌ها نشان داد که دقت کلی طبقه‌بندی10/99 % (ضریب کاپا 98/0) با استفاده از NN، 77/98 % (ضریب کاپا 975/0) با استفاده از MLC، 66/98 % (ضریب کاپا 973/0) با استفاده از SVM، 52/98 % (ضریب کاپا 97/0) با استفاده از MDC و 52/66 % ( ضریب کاپا 31/0) با استفاده از K-Means است. خطای تخمین مساحت نخیلات با استفاده از ( RMSE) در روش NN (0)، در روش MLC (2/0)، در روش MDC (06/0)، در روش SVM (0) و در روش K-Means (0) محاسبه شد. پس از تحلیل‌داده‌ها بهترین روش طبقه‌بندی برای شناسایی نخلستان‌ها روش NN شناخته شد. در پژوهش حاضر، با بررسی انجام‌شده بر روی‌داده‌ها در ماتریس آشفتگی مشخص شد که SVM قدرت بالاتری برای شناسایی نخلستان با تشخیص 100% سامانه (تولیدکننده) نسبت به MLC را داشت و همچنین K-Means نیز می‌تواند نخلستان خرما را شناسایی کند اما مناطقی که به رنگ قهوه‌ای تیره هستند را نیز به‌عنوان نخلستان شناسایی کرده است. در مجموع می‌توان گفت هر چهار روش طبقه‌بندی نظارت‌شده با دقت قابل قبولی می‌توانند نخلستان را شناسایی کنند.

چکیده در این پژوهش امکان استفاده از روش تصویربرداری پیسه پویا با استفاده از لیزر با طول موج 780 نانومتر به‌منظور نظارت، ارزیابی و پیش‌بینی خواص مکانیکی سیب درختی رقم گلدن دلیشز شامل مدول الاستیسیته، حداکثر نیروی تسلیم، چقرمگی، ویسکوزیته و نرمش خزشی در مرحله تازه خوری مورد بررسی و سنجش قرار گرفته است. تصاویر پیسه پویا به کمک نورپردازی لیزری و تصویربرداری از سیب های سالم و کامل، طی چهار روز پس از چینش تهیه شدند. همچنین نمونه‌ها تحت آزمون خزش، نفوذ و فشار تک محوری نیز قرار گرفتند. رابطه کمّی بین داده‌های طیفی و خواص مکانیکی مرجع مرتبط، با کمک سیستم استنتاجی فازی- عصبی (ANFIS) به‌دست آمد. روش‌های تحلیل مؤلفه‌های اصلی و ارزیابی تقاطعی برای انتخاب بهترین و مؤثرترین ویژگی‌ها برای بهبود کارایی مدل‌ها در تعیین خواص مکانیکی مورد استفاده قرار گرفتند. مدل‌ها بر اساس پارامترهای ساختاری انتخاب شده در ANFIS توسعه یافتند. در ادامه، بازدهی آنها برای یافتن بهترین مدل برای پیش‌بینی خواص مکانیکی سیب با هم مقایسه شدند. طبق نتایج حاصل، از بین تمامی مدل‌های حاصل، مدل پیش‌بینی و تعیین مقدار کرنش شکست با ضریب همبستگی 920/0 و میزان خطای 010/0 به‌عنوان برترین مدل به‌دست آمد. همچنین مدل‌های پیش‌بینی زمان تأخیر (r=0.890) و ویسکوزیته تأخیری (r=0.886) دقت مناسبی را ارائه کردند. نتایج کلی نشان داد که روش تصویربرداری پیسه پویا توانایی رضایت‌بخشی برای ارزیابی و پیش‌بینی خواص مکانیکی سیب درختی دارد.

چکیده تکنیک‌های کشاورزی دقیق در یک محیط گلخانه‌ای به افزایش کیفیت محصول نهایی، کاهش هزینه‌های استفاده از کود و جلوگیری از رواناب نیتروژن کمک می‌کند. حسگرهای نوری با اندازه‌گیری بازتاب یا جذب از برگ‌های سبز ابزاری سریع و غیرمخرب برای محاسبه محتوای سبزینگی و کلروفیل گیاه هستند. هدف از این تحقیق، بررسی قابلیت اطمینان شاخص پوشش گیاهی تفاضلی نرمال شده (NDVI) اندازه‌گیری‌شده توسط حسگر سبزینه‌سنج (GreenSeeker) به‌عنوان شاخص غیرمستقیم وضعیت سبزینگی گوجه و خیار گلخانه‌ای و مقایسه عملکرد این حسگر با کلروفیل‌متر (SPAD) بود. آزمایش در بهار سال 1396 در گلخانه تحقیقاتی گروه مهندسی بیوسیستم دانشگاه بوعلی سینا همدان انجام شد. گوجه‌فرنگی و خیار با تیمارهای کود اوره صفر، 028/0، 138/0، 359/0 و 607/0 گرم بر لیتر با محتوای 46% نیتروژن کوددهی گردید. 71 روز پس از کاشت، تیمارهای یک تا سه با کود اضافی تحت درمان قرار گرفتند. تعداد برگ گیاهان در پایان هر مرحله از داده‌برداری شمارش شدند. رابطه رگرسیونی بین متغیرهای اندازه‌گیری شده با نرم‌افزار SPSS محاسبه گردید. در گوجه و خیار به‌ترتیب میزان کود و NDVI 95/0 و 57/0 و کلروفیل قرائت‌شده به‌طور متوسط همبستگی 65/0 و 60/0 داشتند.

چکیده سامانه ماشین‌بینایی کاربرد مختلفی در صنعت دارد. در بسته‌بندی مواد سیالی چون روغن‌های مایع و انواع نوشیدنی‌ها (آب‌معدنی، نوشابه‌ها، آب‌میوه‌ها و غیره)، امکان نشت سیال به بیرون وجود دارد. بنابراین انجام عمل بازرسی بطری‌های حاوی سیال ازنظر عدم عیب در درپوش و حلقه آب‌بند، امری ضروری است. صحت اتصال برچسب نیز از حیث مشتری‌پسندی حائز اهمیت می‌باشد. هدف از این تحقیق بررسی یک سامانه بینایی بی‌درنگ برای بازرسی عیوب موجود بطری‌ها و درجه‌بندی آن‌ها در خطوط تولید است. روش اندازه‌گیری عیوب شامل تعیین فاصله و انطباق الگو بود. برای این اندازه‌گیری، یک دوربین، رایانه، تسمه نقاله، واحد جداساز به همراه نرم‌افزار Lab View استفاده شد. در این سامانه بی‌درنگ، تصمیم‌گیری بر اساس منطق بولین انجام شد و بطری سالم از معیوب جدا گردید. میانگین دقت کلی برای این سامانه 6/95% به‌دست آمد که آن به‌طور جداگانه برای بازرسی سطح مایع، درب بطری و صحت اتصال برچسب به‌ترتیب 100، 95 و 90% حاصل شد.

چکیده از جمله سامانه‌هایی که در تهیه نقشه هدایت الکتریکی خاک مزارع به‌کار می‌روند، سامانه‌های مبتنی بر روش تماس مستقیم الکترود با خاک می‌باشند. در این تحقیق با علم به اینکه علاوه بر شوری پارامترهای فیزیکی و شیمیایی خاک نیز در هدایت‌پذیری الکتریکی خاک تاثیرگذارند، به کمک روش شبکه عصبی RBF در طرح آماری باکس- بنکن به بررسی تاثیر پارامترهای اثرگذار بر نتایج روش تماس مستقیم در اندازه­گیری هدایت الکتریکی ظاهری خاک پرداخته و مدلی جهت تخمین هدایت الکتریکی واقعی خاک با داشتن هدایت الکتریکی ظاهری، دما، درصد رطوبت و چگالی توده تعیین شد. اندازه‌گیری همزمان پارامترهای موثر می‌تواند مرحله کالیبراسیون را حذف کند. مدل شبکه عصبی به‌دست آمده توانست به‌خوبی با ضریب تبیین 99/0، ECe را تخمین بزند. ضمن بررسی الگوریتم‌های مختلف آموزش شبکه عصبی عملکرد الگوریتم آموزشی بیزین بهتر از سایر الگوریتم‌ها تشخیص داده شد. نتایج تحلیل حساسیت شبکه نشان داد به‌ترتیب متغیرهای ECa، رطوبت، دما و چگالی توده بیشترین تاثیر را در تخمین مقدار ECe خاک دارند، به‌طوری‌که با حذف آنها از مدل ضریب تبیین از 99/0 به‌ترتیب به 30/0، 35/0، 56/0 و 63/0 کاهش می‌یابد. پس از مرحله مدل‌سازی، مدل شبکه عصبی به‌دست آمده با یک گروه داده مزرعه‌ای مورد اعتبارسنجی قرار گرفت. نتایج اعتبارسنجی مدل ضریب تبیین 986/0 بین خروجی مدل و مقادیر ECe اندازه‌گیری شده در آزمایشگاه را نشان داد. بدین ترتیب با استفاده از این مدل ضمن اندازه‌گیری هم‌زمان پارامترهای ذکر شده همراه با هدایت الکتریکی می‌توان دقت سامانه‌های اندازه‌گیری هدایت الکتریکی ظاهری خاک در تخمین و تهیه نقشه‌های شوری خاک افزایش داد. همچنین با توجه به عدم نیاز به داده‌برداری مجدد جهت کالیبراسیون سامانه‌ها، استفاده از این مدل زمان تحلیل داده‌ها و هزینه تهیه نقشه هدایت الکتریکی خاک را کاهش می‌دهد.

چکیده تولید صنعتی شیره خرما شامل مراحل مختلفی است که در طی آن نیاز به اندازه‌گیری پیوسته میزان گرانروی در طی مراحل مختلف فرآوری نیاز می‌باشد. روش‌های اندازه‌گیری گرانروی متداول نیازمند نمونه‌گیری از فرآورده بوده و در عین حال زمان‌بر می‌باشند و لذا از این روش‌ها نمی‌توان در کنترل سیستم فرآوری استفاده کرد. به همین دلیل روشی که بتواند به‌صورت بلادرنگ وضعیت گرانروی مایع را پایش نماید، از ملزومات یک سیستم کنترل کیفیت محصول شیره خرما می‌باشد تا مطابق با مقدار آنی گرانروی، اقدام به تغییر پارامترهای ورودی و شرایط فرآوری نماید تا محصولی با گرانروی و کیفیت استاندارد فراهم شود. در این تحقیق بر اساس ویژگی‌های مستخرج از تصاویر و بهره‌گیری از شبکه‌های عصبی مصنوعی روشی ابداع گردید تا گرانروی شیره خرما را در حین ریزش تعیین نماید. بر اساس اندازه‌گیری‌های به‌دست آمده توسط دستگاه لزجت‌سنج بروکفیلد مشخص شد که رفتار شیره خرما در دماها و غلظت‌های مختلف متفاوت بوده و دامنه گسترده‌ای از رفتار نیوتنی تا غیرنیوتنی را شامل می‌شود. از شبکه عصبی چند لایه با روش تعلیم پس‌انتشار خطا به‌منظور پیش‌بینی دو مقدار شاخص رفتار جریان و شاخص قوام بر اساس ویژگی‌های استخراج شده از تصویر استفاده شد. مقادیر خروجی روش پیشنهادی با مقادیر اندازه‌گیری شده توسط دستگاه لزجت‌سنج بروکفیلد در سطوح مختلف دما و غلظت شیره خرما واسنجی گردید. نتایج حاصله بیانگر همبستگی شاخص‌های رفتار و جریان به‌دست آمده از این روش با مقادیر واقعی با ضریب همبستگی تا حد 0/989 و میانگین خطای 0/0138 در داده‌های ارزیابی بود.

چکیده تغییرات زیاد میزان نیتروژن خاک مزارع کاربرد مفید کود ازت را محدود می‌کند. مدیریت خلاقانه کود باید به‌گونه‌ای باشد تا از اثرات مخرب کوددهی زیاد جلوگیری کند و همچنین بتواند بازدهی مزرعه را افزایش دهد. استفاده کمتر یا بیشتر از ازت بر روی کیفیت غده سیب‌زمینی مؤثر است. هدف استفاده از حسگر سبزینه‌سنج (GS) و تصاویر ماهواره‌ای در یک مزرعه تجاری سیب‌زمینی رقم مارفونا واقع در شهرستان بهار استان همدان، قابلیت به‌کار‌گیری این حسگرها و امکان جایگزینی آن نسبت به روش‌های متداول بود و همچنین با استفاده از طیف‌سنجی برگ، میزان شاخص پوشش گیاهی نرمال (NDVI) مطابق طول موج حسگر GS محاسبه شد. اندازه‌گیری با سبزینه‌سنج هر هشت روز در هر متر مربع ثبت گردید. در طول دوره رشد تا برداشت دوبار از تصاویر ماهواره لندست 8 (OLI) استفاده شد. ضریب تبیین عملکرد فصلی (INSEY) و داده‌های هواشناسی با مقدار NDVI بررسی شده در مدل رگرسیونی بردار پشتیبان (SVR) به‌ترتیب 0/947 و 0/964 توسط سبزینه‌سنج و 0/947 و 0/997 توسط تصویر لندست پیش‌بینی گردید. نتایج نشان داد که NDVI محاسبه شده توسط GS (0/94) با دقت بیشتری نسبت به تصاویر OLI (0/81) توسط طیف‌سنجی تأیید شد که علت آن را می‌توان به تغییرات جوی مربوط دانست. لذا سبزینه‌سنج به‌طور دقیق و مؤثر می‌تواند در مزارع برای مدیریت کود ازت به‌کار گرفته شود.

چکیده مبارزه هدفمند با علف‌‌های هرز یکی از اهداف اصلی در کشاورزی دقیق می‌باشد. یکی از روش‌هایی که مبارزه هدفمند را اجرایی می‌کند استفاده از سیستم‌های بینایی ماشین می‌باشد. به‌همین دلیل در این مطالعه یک سیستم بینایی ماشین مبتنی بر طبقه‌بند هیبرید شبکه عصبی مصنوعی– الگوریتم شبیه‌سازی تبرید-الگوریتم ژنتیک به‌منظور سم‌پاشی خاص مکانی براساس فیلم‌برداری در مزرعه ارائه گردید. به‌منظور آموزش الگوریتم سیستم ‌بینایی ماشین، فیلم‌برداری از مزارع سیب‌زمینی رقم مارفونا واقع در استان کرمانشاه که در هفته ششم از مرحله رشد بودند انجام گرفت. مساحت مربوط‌ به این مزارع 4 هکتار بود. در این مزارع دو نوع علف‌ هرز با عناوین گل‌گندم و پنیرک وجود داشتند. به‌منظور بررسی پیچیده‌ترین شرایط کاری سیستم بینایی ماشین، پلتفرم با سرعت 103/0 متر بر ثانیه در شرایط نور طبیعی مزرعه‌ای یعنی شدت نور 1820 لوکس فیلم‌های مزرعه‌ای را جمع‌آوری کرد. در نهایت از ویدئوهای مزرعه‌ای 2581 شی‌ء (به پیکسل‌های به‌هم پیوسته در یک فریم شیء گفته می‌شود) استخراج گردید که 1806 شیء جهت آموزش الگوریتم سیستم بینایی ماشین و 775 شیء باقیمانده جهت تست آن مورد استفاده قرار گرفت. از میان 206 خصوصیت استخراجی از هر شی، 6 خصوصیت مولفه دوم اضافی در فضای رنگی YCbCr، شاخص سبز منهای آبی فضای رنگی RGB، مجموع آنتروپی همسایگی 45 درجه، مومنت قطری همسایگی صفر درجه، آنتروپی همسایگی 45 درجه، شاخص مؤلفه سوم اضافی فضای رنگی CMY با استفاده از روش هیبرید ANN-PSO انتخاب شدند. نتایج نشان داد که سیستم طبقه‌بند با دقت 61/99 درصد قادر به طبقه‌بندی نمونه‌های مربوط ‌به سه کلاس گیاه سیب‌زمینی، گل‌گندم و پنیرک می‌باشد.

چکیده ماشین‌های کشاورزی مختلف برای انجام عملیات کشاورزی باید از یک سر مزرعه روی مسیرهای موازی که کل سطح مزرعه را می‌پوشانند، حرکت کرده و به انتهای مزرعه برسند، شروع مسیر بعدی پس از دور زدن و از مسیر کناری، داخل مزرعه انجام خواهد شد. یکی از مشکلات اصلی الگوهای حرکت متداول در مزرعه، اتلاف زمانی دور زدن در انتهای مزرعه است که تأثیر شگرفی در کاهش بازده مزرعه‌ای خواهد داشت. الگوهای مرسوم مختلفی برای نحوه حرکت ماشین در مزرعه به‌کار گرفته می‌شود که از جمله می‌توان به الگوی تردد پیوسته، مارپیچ، دور تا دور و بلوک‌بندی اشاره کرد. تمام این الگوها در راستای کاهش مقدار مسافت غیرمفید طی شده هنگام دور زدن سر مزرعه ابداع شده‌اند. هدف از این پژوهش، کاهش مسافت غیرمفید طی‌شده توسط ماشین‌های کشاورزی، حین دور زدن در منطقه سرمزرعه برای حرکت از یک مسیر به مسیر بعدی با استفاده از الگوریتم ژنتیک و به تبع آن افزایش بازده مزرعه‌ای می‌باشد. در این مقاله با استفاده از الگوریتم ژنتیک، الگویی بهینه برای حرکت ماشین‌های کشاورزی در مزرعه مستطیلی‌شکل شبیه‌سازی و در نهایت این الگوی بهینه در قالب نمودار با الگوهای سنتی مقایسه شده است. پیروی از الگوی تردد بهینه به کمک الگوریتم هوشمند ژنتیکی با اجتناب از روش‌های دور زدن طولانی، باعث کاهش مسافت و زمان غیرمفید طی شده توسط ماشین‌های کشاورزی و افزایش بازده مزرعه‌ای آنها گردید. نتایج شبیه‌سازی نشان داد که الگوی بهینه قادر است به‌طور میانگین 45% در مسافت غیرمفید و 47% در زمان غیرمفید، صرفه‌جویی نماید.

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 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.

چکیده در سال‌های اخیر، عرضه ربات‌های سیار و ماشین‌های مجهز به سامانه‌های هدایت خودکار برای کار در محیط‌های کشاورزی افزایش یافته است. طراحی مسیر برای این سامانه‌ها یک ضرورت است و هم‌چنین یک فرصت جدید برای بهبود بازدهی عملیات زراعی و کاهش اثرات زیست‌محیطی فرآهم آورده است. تاکنون راهکارهای زیادی برای برآورده کردن احتیاجات خاص مسئله طراحی مسیر در محیط کشاورزی ارائه شده‌اند. بخش مهم این راهکارها وجود یک توصیف بهینه و سریع از محیط عملیات به‌عنوان یک نقشه مبنا است. در این پژوهش، یک الگوریتم تجزیه‌ برای پیکربندی چندضلعی بیان‌گر محیط عملیات زراعی با ارتقاء روش تجزیه‌ سلولی بوستروفدون در رباتیک ارائه شده است. الگوریتم با ایده حداقل مواجهه با شرایط هزینه‌ساز برای کاهش هزینه با معیار مسافت‌های غیرمؤثر ناحیه سرگاهی طراحی شد و روی مجموعه‌ای از نمونه‌ها (شامل 18 مورد چند ضلعی‌های ساده تا پیچیده) اعمال گردید. سپس با مقایسه آن با حالت عدم تجزیه و روش تجزیه‌- ‌ادغام به‌‌عنوان یکی از سریع‌ترین روش‌ها ارزیابی شد. الگوریتم در زمان پردازش بسیار اندک (زیر 100 میلی‌ثانیه و ده‌ها برابر سریع‌تر از روش تجزیه‌- ‌ادغام) نتایجی بهینه، به‌ویژه در محیط‌های پیچیده ارائه کرده است. نتایج، به‌طور متوسط دو درصد کاهش هزینه را نسبت به حالت عدم تجزیه و روش تجزیه‌- ‌ادغام نشان می‌دهد و گستره آن از 8- تا 14 درصد نسبت به حالت عدم تجزیه و تا 12درصد نسبت به روش تجزیه-‌‌ ادغام است. دیگر مزایای الگوریتم، دست‌یابی به پوشش کامل و سازگاری با انواع شکل مزرعه و ماشین‌های زراعی است.