ماشین های کشاورزی

چکیده طیف وسیعی از فعالیت های مهم کشاورزی از جمله تیمار آفت کش ها، آبیاری، کود و هرس درختان تا حد زیادی به خواص هندسی تاج پوشش درختان بستگی دارد. تحقیقات زیادی در زمینه استفاده از حسگرهای فراصوتی جهت تخمین حجم تاج پوشش درختان انجام شده است. این تحقیق به بررسی استفاده از روش های نرم افزاری از جمله شبکه های عصبی مصنوعی به‌منظور بهبود خطای تخمین حجم تاج پوشش درختان به‌کمک حسگرهای فراصوتی می پردازد. برای این منظور یک سیستم آزمایشگاهی مخصوصی طراحی و ساخته شد. این سیستم دارای سه عدد حسگر فراصوتی است که به‌صورت عمودی با فاصله های 60 سانتی متری بر روی یک دکل چوبی نصب شده است. با حرکت دکل چوبی حسگرهای فراصوتی ضخامت نقاط مختلف تاج پوشش درخت را با نرخ نمونه برداری 4 هرتز اندازه گیری می کنند. آزمایش ها در سه سطح سرعت 35، 45 و 55 سانتی متر بر ثانیه در سه تکرار و در چهار وضعیت در زوایای 90 درجه برای 5 نمونه درخت فیکوس بنجامین انجام شد. پس از عبور کامل حسگرهای فراصوتی از مقابل تاج پوشش درخت مشخصاتی همچون قطر، میانگین عرض و ارتفاع تاج پوشش درخت در سه ارتفاع متناظر با حسگرهای فراصوتی به‌عنوان ورودی شبکه‌های عصبی و حجم دستی تاج پوشش به‌عنوان خروجی شبکه های عصبی در نظر گرفته شد. نتایج نشان داد که مدل شبکه عصبی بهینه برای تخمین دارای ساختار 1-7-16-13 می باشد. میزان RMSE شبکه عصبی انتخاب شده 039278/0 مترمکعب می باشد.

چکیده شناسایی ارقام برنج در کشاورزی مدرن از اهمیت بالایی برخوردار است. ویژگی های بافتی از میان عوامل مختلف می تواند برای شناسایی ارقام برنج استفاده شود. پردازش تصاویر دیجیتال به‌عنوان روشی جدید می‌تواند برای استخراج ویژگی‌های بافت به‌کار برده شود. هدف از این پژوهش شناسایی ارقام برنج با استفاده از ویژگی های بافت تصویر به‌کمک پردازش تصویر و شبکه های عصبی مصنوعی پس انتشار می باشد. برای تشخیص ارقام برنج، پنج رقم برنج ایرانی به نام‌های فجر، شیرودی، ندا، طارم محلی و خزر تهیه شدند. 108 ویژگی بافتی از تصاویر برنج با استفاده از ماتریس هم وقوعی تصویر سطوح خاکستری استخراج گردید. سپس شناسایی ارقام با استفاده از شبکه عصبی مصنوعی پس انتشار صورت پذیرفت. پس از ارزیابی شبکه های یک لایه با استفاده از ویژگی های بافتی، بیشترین دقت طبقه بندی برای ارقام شلتوک، برنج قهوه‌ای و سفید به‌ترتیب: 2/92%، 8/97% و 9/98% به‌دست آمد. پس از اینکه شبکه با دولایه پنهان مورد ارزیابی قرار گرفت، بهترین میانگین دقت طبقه بندی برای تشخیص ارقام شلتوک 67/96%، برای برنج قهوه ای 78/97% و برای برنج سفید 88/98% حاصل شد. بیشترین دقت طبقه بندی پس از انتخاب ویژگی برای شلتوک با 45 ویژگی 9/98%، برای ارقام برنج قهوه ای با 11 ویژگی انتخاب شده 3/93% و برای ارقام برنج سفید 7/96% با 18 ویژگی انتخاب شده به‌دست آمد.

چکیده در سال‌های اخیر، اتوماسیون در بخش کشاورزی به‌خصوص کشت گلخانه‌ای بیش از پیش مورد توجه محققین و همچنین استقبال تولیدکنندگان قرار گرفته است. دلیل اصلی این مسئله کاهش هزینه‌های تولید به‌ویژه هزینه نیروی انسانی و شرایط سخت کاری در فضای گلخانه می‌باشد. در این پژوهش سامانه بینایی یک روبات برای برداشت فلفل دلمه ارائه می‌شود که قادر به تشخیص فلفل دلمه‌ای سبز رنگ روی بوته در شرایط نور طبیعی می‌باشد. چالش بزرگ پیش روی این تحقیق و برخی محصولات دیگر، مشابهت رنگ محصول با برگ‌ها به‌خصوص در شرایط نور طبیعی بود. برای غلبه بر این چالش، یک شاخص جدید بافتی بر پایه تخمین چگالی لبه تعریف و در ترکیب با شاخص‌های رنگی شامل رنگمایه، شدت اشباع رنگی و سبزینگی تشدید شده (EGI) برای شناسایی میوه‌های مورد نظر استفاده شد. برای ارزیابی سامانه نرم افزاری روبات، از بوته‌های مختلف 50 تصویر تهیه و از مجموع 107 فلفل دلمه موجود در فضای کاری بازوی روبات سامانه قادر به تشخیص 92 عدد از آن‌ها (دقت تشخیص 86% ) بود. با استفاده از پارامتر تعریف شده بافتی، خطای سامانه در شناسایی پس زمینه مخصوصاً برگ‌ها به‌عنوان فلفل دلمه‌های سبز به‌میزان 98/92 درصد کمتر از آنالیز صرفاً رنگی شد، که نشان از مؤثر بودن شیوه تعریف شده جدید در این پژوهش دارد. از مهم‌ترین عوامل بروز خطا، علاوه بر تشابه رنگی میان فلفل دلمه و برگ، می‌توان به سطح براق و ناصاف فلفل دلمه اشاره نمود که به‌ترتیب باعث بازتابش زیاد و ناهمگنی روشنایی روی سطح فلفل دلمه می‌شود.

چکیده طی چندین سال اخیر تمایل تازه ای به‌سمت برداشت رباتیک پرتقال و برخی مرکبات ایجاد شده است. اولین گام در برداشت رباتیک شناسایی دقیق و تعیین موقعیت میوه می باشد. شناسایی از طریق پردازش تصویر توسط دوربین‌های رنگی و کامپیوتر رایج‌ترین روش در حال حاضر می باشد. بدیهی است ربات برداشت با شرایط طبیعی مواجه است و شناسایی باید در شرایط مختلف نور و محیط انجام شود. در این تحقیق سعی شده است الگوریتم مناسبی به‌منظور تشخیص پرتقال روی سایبان درخت ارائه شود. به‌منظور ارزیابی الگوریتم ارائه شده تعداد 500 تصویر که در شرایط کاملاً متفاوت سایبان، زاویه نور خورشید و فاصله تا درخت، گرفته شده بودند، مورد بررسی قرار گرفت. این الگوریتم شامل مراحل: بهینه سازی، قطعه بندی، فیلتر اندازه، تفکیک میوه‌ها بر مبنای الگوی تراکم سایه و روشنایی و تعیین مختصات می‌باشد. در این تحقیق برای قطعه بندی از شبکه عصبی MLP (با سه لایه مخفی) استفاده شد که موفقیت به‌کارگیری آن با توجه به نرخ کشف صحیح پرتقال ها با دقت 2/88% مورد تایید قرار گرفت. با توجه به درصد بالای پرتقال‌های خوشه ای نسبت به کل پرتقال ها در تصاویر، هر الگوریتمی که بخواهد در زمینه شناسایی پرتقال بر روی درخت موفق عمل کند باید راه حلی برای تفکیک پرتقال ها از هم ارائه دهد که در پژوهش حاضر روشی جدید بر مبنای الگوی تراکم سایه روشن، به‌کار گرفته شد و کارایی آن مورد ارزیابی قرار گرفت. در نهایت دقت تفکیک 5/89 درصد و دقت شناسایی 2/88 درصد به‌دست آمد.

چکیده در سال‌های اخیر، کاربرد اسپکتروسکوپی فروسرخ نزدیک (NIR) به عنوان یک روش غیرمخرب در ترکیب با روش‌های شیمی‌سنجی به منظور ارزیابی کیفیت محصولات کشاورزی و غذایی به طور گسترده‌ای مورد توجه قرار گرفته است. در روش‌های شیمی‌سنجی، آنالیزهای کیفی موضوعات مهمی هستند که می‌توانند به مسئله بازشناسی الگو نسبت داده شوند. در این پژوهش، توانایی روش‌های بازشناسی الگو در ترکیب با اسپکتروسکوپی NIR بازتابی به منظور تفکیک غیر مخرب مزه پرتقال‌ها بررسی شد. برای این منظور، روش‌های بازشناسی الگوی نظارت‌نشده و نظارت‌شده، خوشه‌بندی سلسله مراتبی (HCA) و مدل‌سازی مستقل نرم شباهت‌های طبقه (SIMCA)، به ترتیب برای امکان‌سنجی تفکیک واریته‌های پرتقال و طبقه‌بندی (بر اساس مزه آنها) بر پایه اطلاعات طیفی محدوده‌ nm 1650- 930 استفاده شدند. آنالیزهای کیفی نشان داد که طیف‌های NIR واریته‌های پرتقال به خوبی با بازشناسی الگوی نظارت‌نشده HCA خوشه‌بندی شدند. هم‌چنین، بازشناسی الگوی نظارت‌شده SIMCA برای طیف‌های NIR پرتقال‌ها نتایج عالی طبقه‌بندی واریته‌ بر اساس شاخص BrimA را در سطح احتمال 5 درصد در بر داشت (دقت طبقه‌بندی 57/98 درصد). هم‌چنین، طول موج‌های nm 5/1047، nm1502، و nm1475 سهم بیش‌تری نسبت به سایر طول موج‌ها در تفکیک دو طبقه بر عهده داشتند. نمونه‌های دارای مقدارهای یکسان شاخص BrimA نیز به‌درستی با دقت طبقه‌بندی بالا (45/95 درصد) در سطح احتمال 5 درصد طبقه‌بندی شدند. قدرت تفکیک طول موج‌های nm 1475، nm1583، و nm 75/1436 برای دستیابی به این طبقه‌بندی بسیار بیش‌تر از سایر طول موج‌ها بود. بنابراین، اسپکتروسکوپی NIR بازتابی در ترکیب با روش‌های بازشناسی الگو می‌تواند برای تشخیص سایر ویژگی‌های مزه نیز به‌کار رود.

چکیده بو یکی از مهم‌ترین ویژگی‌های حسی میوه‌ها به حساب می‌آید و نسبت به تغییرات ترکیبات آن‌ها حساسیت ویژه‌ای دارد. گازهایی که در بو و طعم میوه‌ها دخالت می‌کنند، حاصل فعالیت‌های متابولیکی میوه در زمان‌های رسیدگی، برداشت، پس از برداشت و انبار می‌باشند. بنابراین بوی ساطع شده از میوه در طول نگهداری آن نیز تغییر می‌کند. ماشین بویایی (بینی الکترونیکی) با شبیه سازی حس بویایی انسان، تشخیص و درک بوهای پیچیده را با استفاده از آرایه‌ای از حسگرهای شیمیایی انجام می‌دهد. در این پژوهش سامانه ماشین بویایی کم هزینه‌ای بر پایه شش حسگر نیمه هادی اکسید فلزی (MOS) طراحی، توسعه و پیاده‌سازی شد و قابلیت آن به‌منظور پایش رد اثر رسیدگی موز مورد مطالعه قرار گرفت. اجزای اصلی سامانه طراحی شده شامل سامانه دریافت نمونه، آرایه حسگرهای گازی، سامانه تحصیل داده، الگوریتم‌های تشخیص الگو و تحلیل داده می‌باشد. تحلیل تفکیک خطی (LDA) به‌منظور طبقه بندی ویژگی‌های استخراجی از سیگنا‌ل‌های ماشین بویایی استفاده گردید و براساس نتایج حاصل شده، دقت در طبقه بندی دوره رسیدگی 3/97% به‌دست آمد. نتایج به‌دست آمده توانایی بالای ماشین بویایی را در تمایز بین مراحل دوره رسیدگی نشان داد که می‌توان این سامانه را به‌عنوان یک ابزار غیر مخرب برای پایش و کنترل کیفیت در طول نگهداری موز به‌کار برد.

چکیده اتوماسیون تراکتورها به دلیل کاربرد وسیع این وسیله در عملیات‏های مختلف کشاورزی، عمرانی و صنعتی، مورد توجه جدی محققین قرار گرفته است. در این تحقیق یک سامانه هدایت از راه دور برای تراکتور طراحی و ساخته شده است تا کاربر بتواند به دور از شرایط سخت و پرتنش کابین تراکتور عملیات هدایت تراکتور را اجرا کند. از یک دوربین مدار بسته و یک موتور الکتریکی به‌ترتیب جهت مشاهده مسیر و چرخاندن میل فرمان استفاده شده است. ارتباط دو طرفه بین مرکز کنترل و واحد کنترل بر روی تراکتور توسط شبکه بی‎سیم فراهم شده است. جهت ارزیابی عوامل موثر بر دقت هدایت، از موقعیت نصب دوربین، سرعت چرخش میل فرمان و سرعت پیشروی هر کدام در دو سطح در یک طرح فاکتوریل در قالب کاملاً تصادفی استفاده شد. از ریشه میانگین مربعات (RMSE) انحراف عرضی و فراوانی نقاط خارج از محدوده مجاز اطراف مسیر مرجع (Nout) به عنوان صفت مورد بررسی در جدول تجزیه واریانس استفاده شد. نتایج آزمایش‏ها بر روی دو سطح آسفالت و خاک ارائه شده است که در نهایت سطح خاک به دلیل شکل‌پذیری بیشتر حساسیت کمتری نسبت به تغییر سطوح متغیرهای طرح آزمایش مذکور داشته و پایداری خوبی از خود نشان داده است. از آنجایی که دقت سامانه هدایت از راه دور به توانایی، مهارت و تمرکز کاربر وابستگی دارد، سرعت چرخش میل فرمان به تنهایی در دقت هدایت بی‌تأثیر بوده است. جایگاه نصب دوربین در جلوی تراکتور از دقت بالاتری نسبت به جایگاه عقب تراکتور برخوردار بوده و همانند نتایج دیگر محققین با افزایش سرعت پیشروی، RMSE انحراف عرضی و Nout افزایش پیدا کرده است.

چکیده بررسی و مطالعه بر روی تکنیک سنجش از دور نشان می دهد که تصاویر ماهواره ای و تکنیک های سنجش از دور، به دلیل فراهم آوردن داده های به هنگام و قابلیت بالای آنالیز تصاویر، کاربرد گسترده ای در تمامی بخش ها از جمله کشاورزی و منابع طبیعی دارند. در پژوهش حاضر، به منظور شناسایی و تفکیک اراضی زیر کشت محصولات مختلف و تهیه نقشه انواع محصولات منطقه ای در اطراف مشهد (مزرعه نمونه آستان قدس رضوی) از دو تصویر (مربوط به ماه های اریبهشت و شهریور) داده های رقومی ماهواره لندست، سنجنده ETM+ مربوط به سال 1391 استفاده شد. جهت طبقه بندی تصویر در هر یک از این دو ماه، از روش طبقه بندی نظارت شده شامل حداکثر احتمال و شبکه عصبی مصنوعی استفاده شد. برای مقایسه تصویر حاصل از دو روش، نمونه های تعلیمی و آزمایشی و روش کار کاملاً یکسانی برای هر دو روش انتخاب شد. جهت ارزیابی صحت نتایج طبقه بندی، نقشه تولیدی با نقاط واقعیت زمینی مشخص شده از طریق GPS، مورد بررسی قرار گرفت. ضریب کاپا و صحت کلی برای روش حداکثر احتمال به ترتیب 82 و 85 درصد و برای شبکه عصبی به ترتیب84 و 87 درصد برآورد گردید. مساحت های سطح زیر کشت محاسبه شده از نقشه طبقه بندی به روش حداکثر احتمال و شبکه عصبی توانست به ترتیب با اختلاف متوسط 16/8 و 14/2 درصد با اطلاعات مساحت های موجود در مزرعه آستان قدس مساحت محصولات مختلف را تخمین بزند. نتایج این تحقیق نشان داد که تصاویر ماهواره ای از قابلیت بالایی برای تفکیک سریع اراضی زراعی و تهیه نقشه انواع محصولات در منطقه و تعیین سطح زیر کشت با دقت نسبتاً مناسب در مقیاس منطقه ای برخوردار است. این اطلاعات برای برنامه ریزی های کلان منطقه ای در قالب تدوین الگوی کشت یا توسعه مکانیزاسیون بسیار مفید می باشند.

چکیده دردست داشتن اطلاعات مربوط به شدت خاک ورزی و پوشش بقایای گیاهی در سطح خاک در اعمال سیاست گذاری های مربوط به ترویج کشاورزی، طراحی و تولید ابزار خاک ورزی و ارتقای روش های مدیریتی و نظارتی سودمند است. روش های مرسوم برای تخمین درصد پوشش بقایای گیاهی و شدت خاکورزی مانند روش توزین بقایا، خط مورب و مقایسه تصاویر، خسته کننده و وقت گیر بوده و در سطح وسیع قابل استفاده نیستند. این تحقیق به منظور بررسی و یافتن یک روش دقیق و سریع برای پایش مدیریت بقایا و شدت خاکورزی انجام شد. در این مطالعه فن آوری تصاویر ماهواره ای به عنوان یک راهکار سریع و آسان برای تخمین درصد پوشش بقایا در سطح خاک و پایشگر خاکورزی حفاظتی و شدت خاکورزی مورد استفاده قرار گرفت. از این رو توانایی داده های تصویر چند طیفی سنجنده WorldView-2 با استفاده از تعداد یازده شاخص طیفی و آنالیز جداسازی طیفی خطی مورد ارزیابی قرار گرفت. بدین منظور در 90 موقعیت از مزارع آزمایشی پلات هایی در نظر گرفته شده و در هر پلات چند عکس توسط یک دوربین عکاسی دیجیتالی از سطح مزرعه برداشت شد. درصد پوشش بقایای سطح خاک در هر عکس با روش پردازش تصویر اندازه گیری و متوسط داده ها ی همه تصاویر به عنوان داده زمینی در آن پلات ثبت شد. داده های نظیر ماهواره ای از تصویر سنجنده WorldView-2 استخراج شده و همبستگی درصد پوشش بقایا در زمین، که با استفاده از پردازش عکس های دیجیتالی به دست آمده بود با داده های تصاویر ماهواره ای بررسی شد. نتایج نشان داد که درصد پوشش بقایا در سطح خاک با شاخص های IPVI، RVI1، RVI2 و GNDVI همبستگی مناسبی دارند (R2 = 0.74-0.81). درصد پوشش بقایا در سطح خاک که با آنالیز جداسازی طیفی خطی تخمین زده شده بود، با داده های به دست آمده از عکس های زمینی همبستگی مناسبی داشت (R2 = 0.75). دو شاخص طیفی IPVI و RVI1 که دارای بالاترین همبستگی با درصد پوشش بقایا در سطح خاک بودند برای پیش بینی شدت خاکورزی در مزارع مورد مطالعه انتخاب شدند. نتایج نشان داد که دقت طبقه بندی شدت خاکورزی به کمک این دو شاخص در شرایط مختلف 100 – 78 درصد و بنابراین بسیار نزدیک به اندازه گیری ها و مشاهدات زمینی می باشد.

چکیده سالانه، میلیون‏ها لیتر محلول سم، برای مبارزه با آفات و بیماری‏های گیاهی در مزارع استفاده می‏شود. استفاده‏ی گسترده از سموم شیمیایی، خطرات زیست محیطی زیادی را ایجاد می‏کند. بادبردگی ذرات یکی از مهم‏ترین معضلات در سم‏پاشی است، که باعث آلودگی زمین‏های اطراف مزرعه، انسان‏ها و سایر جانداران می‏شود. مدیریت اندازه‏ی ذره، عامل اصلی در کنترل بادبردگی است. در این تحقیق عوامل موثر در اندازه‏ی قطرات ( قطرمیانه‏ی حجمی) نشسته در نواحی غیر هدف با استفاده از روش‏های آماری مورد مطالعه قرار گرفت. اثرات نوع نازل (نازل بادبزنی با سطح مقطع خروجی متفاوت)، فشار سم‏پاشی، ارتفاع بوم سم‏پاشی و سرعت باد به عنوان فاکتورهای موثر در بادبردگی، روی اندازه‏ی ذرات مورد بررسی قرار گرفتند. یک تونل باد افقی، با ابعاد 0/47 متر عرض، 0/75 ارتفاع و 5/5 متر طول برای انجام آزمایش‏ها طراحی و ساخته شد. آزمایش‏ها به صورت فاکتوریل اسپلیت‏پلات در قالب طرح بلوک‏های کامل تصادفی با دو تکرار انجام شد. اندازه‏گیری قطرات در ترکیب‏های تیماری با نازل بادبزنی در سه سطح مقطع خروجی (11003- 0/87 میلی‏متر مربع، 11004- 1/18 میلی‏متر مربع و 11006- 1/8 میلی‏متر مربع)، فشار پاشش (150، 275 و 400 کیلوپاسکال)، سرعت باد (1، 2 و 3 متر بر ثانیه) و ارتفاع پاشش بوم (0/35، 0/55 و 0/75 متر) انجام شد. کاغذهای حساس به آب در فواصل 0/8، 1/6 و 2/4 متری از انتهای پاشش نازل برای آشکارسازی اندازه‏ی قطرات استفاده شدند. در این تحقیق فاکتورهای فشار، سرعت باد و ارتفاع بر اندازه‏ی قطره در فاصله‏ی مورد نظر اثر افزایشی داشتند. ولی اثر نازل کاهشی بود. با توجه به ضرایب مدل رگرسیونی اثر سرعت باد قابل ملاحظه بود.

چکیده تخمین عملکرد محصولات زراعی یکی از پارامترهای مهم برای مدیریت اطلاعات و منابع درکشاورزی دقیق است. این اطلاعات برای بهینه سازی نهاده های مورد نیاز در کشت های بعدی مورد استفاده قرار می گیرد. در پژوهش حاضر امکان تخمین عملکرد محصول چغندرقند با استفاده از پردازش تصویر بررسی گردید. برای انجام آزمایش ها از ردیف های کشت در طی فصل رشد و با فواصل یک ماه عکس های نواری تهیه شد. تصویر افقی پوشش سبز بوته‌ها در انتهای هر ماه تعیین گردید. در پایان فصل رشد و پس از استخراج غده‌ها از زمین، ضریب همبستگی بین سطح پوشش سبز محصول چغندرقند در هر ماه با وزن غده برداشت شده نهایی بررسی شد. نتایج حاصله نشان داد سطح قابل رویت پوشش سبز گیاه می تواند بیانگر عملکرد محصول چغندر قند در کشت پاییزه باشد. بالاترین ضریب تبیین رابطه عملکرد محصول با سطح پوشش سبز گیاه، سه ماه قبل از زمان برداشت و برابر با 0/85 بدست آمد. به منظور بررسی میزان صحت معادله حاصله در سال زراعی بعد با شرایط یکسان زمین کشت و بطور مشابه داده برداری صورت پذیرفت. نتایج حاصله نشان داد که میان وزن غده های واقعی و وزن غده های محاسبه شده از مدل سال گذشته رابطه قوی با ضریب تبیین 0/94 وجود دارد. این رابطه توانست مقدار عملکرد را با خطای نسبی حدود 9 درصد تخمین بزند. این موضوع پتانسیل استفاده از روش عکس برداری نواری را برای پیشگویی عملکرد محصول چغندرقند قبل از زمان برداشت نشان می دهد.

چکیده به منظور ارزیابی میزان دقت روش های مکان یابی، دراین تحقیق چهار روش مختلف، توسط حرکت یک روبات کنترل از راه دور بر روی یک مسیر معین مورد مقایسه قرار گرفت. روش های مقایسه شده عبارتند از: به کارگیری یک واحد مکان یاب جهانی(GPS)، تلفیق داده های سه واحد GPS، استفاده از یک واحد اندازه گیری ماند (IMU) به تنهایی و تلفیق داده های GPS/IMU. مقایسه این چهار روش نشان داد که استفاده از تلفیق داده های سامانه مکان یاب جهانی و واحد اندازه گیری ماند به کمک فیلتر کالمن، نسبت به روشهای دیگر، دقت بالاتری در مکان یابی به دست می دهد؛به طوری که ریشه میانگین مربعات خطای این روش 23/4 cm به دست آمد. به کارگیری سه واحد GPSبه طور همزمان که در موقعیت های ثابت و با فاصله نسبتاً دور از یکدیگر نصب شده اند، نیز با ریشه میانگین مربعات خطای cm31/3، در رتبه بعدی این مقایسه قرار گرفت. همچنین بررسی داده های به دست آمده از واحد اندازه گیری ماند نشان داد که کاربرد این وسیله به تنهایی، به دلیل وجود خطاهای تجمعی، برای تعیین موقعیت مناسب نمی باشد.

چکیده خواص فیزیکی محصولات کشاورزی از مهمترین پارامترهای طراحی سیستم های بسته بندی و درجه بندی هستند و حجم محصولات کشاورزی، یکی از این خواص می باشد که بایستی به ‏طور دقیق اندازه گیری شود. پردازش تصویر و شبکه ی عصبی از ابزار های پرکاربرد و غیر مخربی هستند که اخیراً به این منظور استفاده می شوند. در این مطالعه ابتدا با استفاده از دوربین به فاصله ی ثابت از نمونه ها عکس برداری گردیده و تصاویر رنگی با
نرم افزار Matlab پردازش شده و لبه ی سیب ها استخراج گردید. سپس سطح به‏ دست آمده در راستای عمود بر محور طولی سیب، به المان های نازک ذوزنقه ای تقسیم بندی گردیده و حجم حاصل از دوران این المان ها بر حسب پیکسل محاسبه شد. سپس سیب ها از وسط برش داده شده و
عکس برداری شدند تا حجم تورفتگی های سیب به ‏دست آمده و از حجم کل سیب کاسته شود. حجم واقعی سیب نیز با استفاده از روش جابه‏ جایی آب، بر حسب سانتی متر مکعب اندازه گیری شد و رابطه ایی بین حجم واقعی و حجم پیکسلی سیب ارائه گردید که می تواند در تخمین حجم سیب استفاده شود. آزمون t و بلاند-آلتمن نشان داد که بین حجم واقعی سیب و حجم پردازش تصویر در سطح احتمال 5% اختلاف معنی داری نیست و اختلاف میانگین بین آن‏ها 52/1 سانتی متر مکعب بوده و دارای دقت 92 /0 می باشد. استفاده از شبکه عصبی با پارامترهای ورودی ابعاد و جرم سیب دقت
اندازه گیری حجم سیب را تا 97 /0 بالا برده و اختلاف میانگین بین حجم ها را تا 7/0 کاهش داد. این تحقیق نشان می دهد که پردازش تصویر و شبکه ی عصبی می توانند به‏ عنوان روش های ساده و کارآمد در تخمین حجم محصولات کشاورزی استفاده گردند.

چکیده در سامانه پایش عملکرد محصول غلات، اساسی‌ترین ویژگی محصول در حال برداشت، شدت جریان جرمی دانه تمیز شده ورودی به مخزن می‌باشد. در این تحقیق، حسگری از نوع ضربه‌ای طراحی، ساخت و ارزیابی شد. ابتدا واسنجی حسگر توسط وزنه‌های kg 5/0 تا kg 5/4 با گام‌های kg 5/0 انجام و خطی بودن واکنش حسگر به نیروهای وارده با ضریب همبستگی 99/0 اثبات شد. پس از آن، طبق استاندارد ASABE S578 آزمایش حسگر در سه مرحله 1- در جریان جرمی یکنواخت و ثابت 2- در جریان جرمی غیر یکنواخت با تغییرات خطی 3- در جریان جرمی نوسانی انجام شد. نتایج نشان داد که خروجی حسگر ضربه‌ای، تابعی از نرخ جریان گندم (رقم روشن) انتقال یافته است و با افزایش نرخ جریان جرمی، میزان درصد خطای حسگر ضربه‌ای کاهش یافت. به طوری که درصد خطای محاسبه شده در نرخ‌های جریان جرمی 25%، 50%، 75% و 100% ظرفیت (25/4 کیلوگرم در ثانیه) به ترتیب 3/8، 3/6، 2/5 و 9/4 درصد بود. ضریب تبیین بالا (9975/0= R2) بین داده‌های تجمعی حسگر ضربه‌ای و مخزن مرجع در نرخ جریان جرمی غیر یکنواخت با تغییرات خطی، حاکی از دقت و حساسیت بالای حسگر ضربه‌ای در سنجش تغییرات جریان جرمی دانه می‌باشد. درصد خطای متوسط حسگر ضربه‌ای در نرخ‌های جریان جرمی غیر یکنواخت، با تغییرات خطی "افزاینده-کاهنده"، "کاهنده- افزاینده" و نوسانی به ترتیب 4/7% ، 6/8% و 3/8% به دست آمد.

چکیده بیش از دو دهه است که بخش کشاورزی استفاده از سامانه‌های خودکار را تجربه می‌کند. از موارد کاربرد این سامانه‌ها در کشاورزی می‌توان به برداشت میوه اشاره نمود. بینایی کامپیوتر یکی از پرکاربردترین فن‌آوری‌های مورد استفاده در صنایع غذایی و کشاورزی نوین است. در مقاله حاضر سیستمی خودکار مبتنی بر بینایی کامپیوتر جهت برداشت گوجه‌فرنگی گلخانه‌ای ارائه می شود. دوربینCCD به عنوان حس‌گر بینایی از فضای کاری عکس می‌گیرد و گوجه‌ها با رسیدگی بالای 50 درصد توسط پردازش تصاویر شناسایی می‌شوند. در این پژوهش از سه فضای رنگیRGB , HSI و YCbCr و سه الگوریتم آستانه‌یابی، انحنای سطح تصویر و رابطه قرمز/ سبز جهت تشخیص گوجه‌فرنگی‌های رسیده از زمینه و تحت شرایط نور طبیعی استفاده شده است. نتایج نشان می‌دهد متوسط خطای الگوریتم‌های آستانه‌یابی، رابطه قرمز/ سبز و انحنای سطح تصویر به‌ترتیب 82/11، 03/10 و 95/7 درصد در سه فضای رنگیHSI ، RGB وYCbCr بود. فضای رنگی YCbCr و الگوریتم انحنای سطح تصویر در تمایز گوجه‌فرنگی رسیده از زمینه و در شرایط نور طبیعی، موفق‌تر عمل می‌کند.

چکیده با پدید آمدن تکنیک‌های آماری قوی و شبکه‌های عصبی، مدل‌های پیش بینی کننده پراکنش موجودات به سرعت در اکولوژی توسعه پیدا کرده است. این پژوهش به منظور پیش بینی و ترسیم نقشه توزیع جمعیت علف هرز تلخه با استفاده از شبکه‌های عصبی چندی ساز بردار یادگیر (LVQ) و پرسپترون چندلایه (MLP) در سطح مزرعه انجام شد. داده‌های مربوط به جمعیت علف هرز از طریق نمونه برداری از 550 نقطه از سطح یک مزرعه در حال آیش واقع در مزرعه تحقیقاتی دانشکده کشاورزی دانشگاه صنعتی شاهرود در استان سمنان در سال 1389 بدست آمد. برای ارزیابی قابلیت شبکه‌های عصبی مورد استفاده در پیش بینی توزیع مکانی علف هرز از مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری و ضریب تبیین رگرسیونی خطی بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آن‌ها و نیز معیار دقت طبقه بندی استفاده شد. نتایج نشان داد که در فازهای آموزش و آزمایش بین مقادیر ویژگی‌های آماری میانگین، واریانس و توزیع آماری مجموعه داده‌های واقعی و پیش بینی شده مکانی علف هرز توسط شبکه عصبی LVQ تفاوت معنی داری وجود نداشت، ولی برای شبکه عصبی MLP این مقایسات بجز توزیع آماری معنی دار شدند. همچنین نتایج نشان داد که شبکه عصبی آموزش دیده LVQ، دارای قابلیت بالایی در پیش بینی مکانی علف هرز در نقاط نمونه برداری نشده با خطای تشخیص کمتر از 64/0 درصد بود. درحالیکه شبکه عصبی مصنوعی MLP دارای خطای تشخیص کمتر از 6/14 درصد بود. نقشه‌های ترسیم شده نشان داد که توزیع لکه ای علف هرز امکان کنترل متناسب با مکان را در مزرعه مورد مطالعه امکان پذیر می‌سازد.

چکیده تأمین دقیق و به موقع ازت گیاهان در کوددهی مزارع مستلزم بکارگیری روش های جدید و کم هزینه در کشاورزی دقیق است. به منظور تعیین ازت مورد نیاز گیاه برنج در زمان خوشه دهی آن، آزمایشی با استفاده از سه روش پردازش تصویر، کژلدال و دستگاه کلروفیل متر، در قالب طرح بلوک-های کامل تصادفی با سه تکرار و چهار تیمار در سال 1389 در مرکز تحقیقات برنج تنکابن اجرا شد. تیمارهای آزمایشی سطوح مختلف کوددهی (اوره %46 ازت) بودند. در زمان خوشه دهی گیاه برنج با استفاده از یک دوربین دیجیتال از بوته های برنج بصورت عمودی عکسبرداری و توسط روش پردازش تصاویر آنالیز شدند. همزمان توسط دستگاه کلروفیل متر SPAD-502 شاخص کلروفیل برگ گیاه اندازه گیری شد و همچنین با استفاده از روش آزمایشگاهی کژلدال درصد ازت برگ گیاه نیز تعیین گردید. نتایج حاصل از این تحقیق نشان دادند که میان هر سه روش تعیین ازت گیاه همبستگی بالایی وجود دارد. همچنین میزان همبستگی میان هر سه روش تعیین ازت گیاه و عملکرد محصول تقریباً یکسان می باشد. در مجموع به نظر می رسد که روش پردازش تصویر می تواند پتانسیل بالایی در مدیریت ازت مزارع داشته باشد، از طرفی دیگر این روش نسبت به دو روش دیگر کم هزینه تر، سریع تر و همچنین غیرمخرب می باشد.

چکیده موضوع شوری خاک یکی از معضلات افزایش بهره وری کشاورزی می‌باشد که بایستی با تدبیر و مدیریت صحیح علمی مهار گردد. یکی از راه‌های شناسایی مناطق شور، تهیه نقشه هدایت الکتریکی مزارع می‌باشد. در این تحقیق یک نمونه دستگاه اندازه گیری در حین حرکت هدایت الکتریکی ظاهری خاک طراحی، ساخته و سپس نقشه هدایت الکتریکی مزرعه ای توسط آن تهیه شد. این دستگاه از روش تماس مستقیم الکترود با خاک بهره می‌برد. ورودی‌های دستگاه شامل ولتاژ تغذیه، سیگنال موقعیت جغرافیایی از GPS و سیگنال ولتاژ بین الکترود‌ها می‌باشد. خروجی دستگاه که به صورت فایل TEXT می‌باشد شامل مقدار هدایت الکتریکی نقاط و مختصات جغرافیایی بوده که از طریق درگاه RS-232 به رایانه انتقال می‌یابد. داده‌های هدایت الکتریکی با استفاده از بسته نرم افزاری ESAP کالیبره و به صورت نقشه رنگی تهیه شد. به منظور ارزیابی دستگاه، نقشه هدایت الکتریکی قطعه زمینی با مساحت 8/0 هکتار به دو روش داده برداری با دستگاه و داده برداری دستی تهیه و مقایسه شد. ارزیابی دستگاه در مزرعه ای تحقیقاتی با خاک کم شور و بافت لومی رسی، بیانگر همبستگی نتایج با 61/0R2= و مقدار میانگین خطای (ME) ΜS.CM-1 27/15- بود. بررسی نقطه به نقطه محل‌های نمونه برداری نشان داد در 67 درصد نقاط خطای اندازه گیری زیر 10 درصد می‌باشد. این میزان خطا در محیط خاک مزرعه که دارای متغیر‌های بسیاری می‌باشد با توجه به نتایج ارائه شده در سایر مقالات قابل قبول می‌باشد.