پردازش تصویر
داود محمدزمانی؛ سید محمد جاویدان؛ معین زند؛ محمد رسولی
چکیده
در این مطالعه، یک رویکرد شبکه عصبی برای تعیین محل دقیق میوه خیار بر روی تصاویر گلخانهای پیشنهاد شده است. برای این منظور پس از متعادل کردن هیستوگرام روشنایی تصویر مورد نظر، تصویر را با پنجرهای حاوی تصویر میوه خیار ضرب میکند که باعث میشود در مناطق مشکوک به خیار ضرایب بزرگتری بهدست آید. با استخراج این حداکثرهای محلی، خوشههایی ...
بیشتر
در این مطالعه، یک رویکرد شبکه عصبی برای تعیین محل دقیق میوه خیار بر روی تصاویر گلخانهای پیشنهاد شده است. برای این منظور پس از متعادل کردن هیستوگرام روشنایی تصویر مورد نظر، تصویر را با پنجرهای حاوی تصویر میوه خیار ضرب میکند که باعث میشود در مناطق مشکوک به خیار ضرایب بزرگتری بهدست آید. با استخراج این حداکثرهای محلی، خوشههایی از نقاط اولیه بهعنوان پنجرههای احتمالی وجود خیار بهدست میآید. سپس برای تشخیص دقیق محل قرارگیری خیارها، این نقاط و نواحی اطراف آنها به یک شبکه عصبی که با استفاده از تعدادی تصویر شامل تصاویر خیار، تصاویر غیر خیار و پاسخ بهینه آنها آموزش داده شده است، ارجاع داده میشود. مناطق بهدستآمده از این شبکه منجر به تشخیص دقیق محل خیارها در تصویر شد. روش پیشنهادی در جعبه ابزار Simulink نرمافزار متلب پیادهسازی شد. سپس روش پیشنهادی با استفاده از این ساختار شبکه شبیهسازی شد و بر روی 120 تصویر بهدستآمده از یک گلخانه توسط دوربین دیجیتال آزمایش شد. این روش خطای پایینی داشت و توانست نرخ بالایی را در زمان مناسب میوههای خیار در تصاویر کشفشده تشخیص دهد.
پردازش تصویر
زینب عزیزپور؛ حسنعلی واحدی؛ علی نجات لرستانی
چکیده
استراتژی مدیریت تلفیقی آفات (IPM)، به پایش پیوسته جمعیت آفات وابسته است، این کار نه تنها زمانبر است، بلکه وابستگی زیادی به داوری انسان دارد و پر هزینه نیز میباشد. استفاده از روشهای هوش مصنوعی به جای تصمیمگیریهای دستی و انسانی، علاوه بر این که سبب افزایش بهرهوری میگردد، از دقت بالایی نیز برخوردار است. پسته، یک محصول تجاری ...
بیشتر
استراتژی مدیریت تلفیقی آفات (IPM)، به پایش پیوسته جمعیت آفات وابسته است، این کار نه تنها زمانبر است، بلکه وابستگی زیادی به داوری انسان دارد و پر هزینه نیز میباشد. استفاده از روشهای هوش مصنوعی به جای تصمیمگیریهای دستی و انسانی، علاوه بر این که سبب افزایش بهرهوری میگردد، از دقت بالایی نیز برخوردار است. پسته، یک محصول تجاری است و هر ساله خسارت زیادی توسط حشرات به تولیدکنندگان این محصول وارد میشود. گروهی از آفات پسته عمدتاً از میوه پسته تغذیه میکنند، که از این گروه زنجرک پسته، دارای اهمیت زیادی میباشد. در این تحقیق زنجرک پسته بهعنوان حشره هدف جهت شناسایی انتخاب شد. برای جمعآوری نمونهها از کارتهای زرد چسبنده استفاده شد. 357 خصوصیت رنگی و 20خصوصیت شکلی برای شناسایی زنجرک پسته بهوسیله الگوریتم پردازش تصویر استخراج شد. خصوصیات رنگی به دو دستهی خصوصیات مربوط به میانگین و انحرافمعیار و خصوصیات مربوط به شاخصهای سبزی تقسیم شدند. از 17 فضای رنگی مختلف مثل RGB، HSV و غیره برای استخراج خصوصیات و از روش هیبرید شبکه عصبی مصنوعی-الگوریتم بهینهسازی ازدحام ذرات (ANN-PSO) برای انتخاب خصوصیات مؤثر استفاده گردید. خصوصیات مؤثر انتخابی جهت طبقهبندی حشرات عبارتند از: شاخص رنگی برای پوشش گیاهی استخراجی مربوط به فضای رنگی HSL، شاخص تفاضل نرمال شده مربوط به فضای رنگی LCH، کانال خاکستری مربوط به فضای رنگی YCbCr، شاخص مؤلفه دوم منهای مؤلفه سوم مربوط به فضای رنگی YCbCr، مساحت و میانگین مؤلفه های اول، دوم و سوم فضای رنگی Luv. نرخ شناسایی الگوریتم پردازش تصویر طراحی شده، 99.72درصد کل اشیا (زنجرک پسته، سوسک چوبخوار قرمز پسته و سایر حشرههای غیر هدف و متفرقه) میباشد. شبکههای عصبی مصنوعی، توانایی طبقهبندی حشرات به سه کلاس (زنجرک پسته، سوسک چوبخوار قرمز پسته و سایر حشرههای غیر هدف و متفرقه) و دو کلاس (زنجرک پسته و سوسک چوبخوار قرمز پسته) بهترتیب با دقت 91.53 و 99.59 درصد را دارند.
محسن زندی؛ علی گنجلو؛ ماندانا بیمکر
چکیده
در دهههای اخیر، از سیستمهای هوش مصنوعی برای ایجاد مدلهای پیشبینی جهت تخمین و پیشبینی بسیاری از فرآیندهای کشاورزی استفاده شده است. در این مطالعه، خصوصیات فیزیکی و شیمیایی میوه زالزالک طی نگهداری در شرایط مختلف با استفاده از شبکههای عصبی مصنوعی و سیستم استنتاج عصبی-فازی سازگار پیشبینی گردید. از دادههای تجربی حاصل از نگهداری ...
بیشتر
در دهههای اخیر، از سیستمهای هوش مصنوعی برای ایجاد مدلهای پیشبینی جهت تخمین و پیشبینی بسیاری از فرآیندهای کشاورزی استفاده شده است. در این مطالعه، خصوصیات فیزیکی و شیمیایی میوه زالزالک طی نگهداری در شرایط مختلف با استفاده از شبکههای عصبی مصنوعی و سیستم استنتاج عصبی-فازی سازگار پیشبینی گردید. از دادههای تجربی حاصل از نگهداری میوه، برای آموزش و آزمایش این شبکهها استفاده شد. تعداد کل لایههای پنهان و تعداد نورون در هر لایه پنهان به روش سعی و خطا انتخاب گردید. شبکه عصبی و سیستم استنتاج عصبی-فازی سازگار طراحی شده دارای ورودی شامل زمان نگهداری، رطوبت اولیه و دمای نگهداری و یک متغیر در لایههای خروجی (WL، F،c* ، *h و RPI) بود. مقادیر R2 بالا و RMSE کم گویای کارایی بالای مدل شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی سازگار در پیشبینی خصوصیات کیفی زالزالک طی فرآیند نگهداری میباشد. نتایج نشان داد که شبکه عصبی پرسپترون چندلایه با الگوریتم یادگیری مومنتوم و تابع آستانهای تاناکسون بهترین شبکه برای پیشبینی خصوصیات کیفی زالزالک در شرایط مختلف بود. نتایج مدلسازی با انفیس نشان داد که توابع عضویت ذوزنقهای و گوسی بهترین عملکرد را بهترتیب در پیشبینی پارامترهای رنگی و فیزیکی داشت. با مقایسه نتایج حاصل از مدلسازی با شبکه عصبی مصنوعی و انفیس، تفاوت زیادی از نظر دقت و کارایی در پیشبینی مشاهده نشد، اگرچه شاخص RMSE در مدلسازی با کمک انفیس کمتر از شبکه عصبی مصنوعی بود که خود نمایانگر دقت بالاتر آن میباشد.
مدلسازی
محمد رحمتیان؛ رضا یگانه؛ محمد امین نعمت اللهی
چکیده
در این پژوهش، نیروهای وارد بر گاوآهن برگرداندار، به دلیل اهمیت و تأثیرگذاری در برخی موارد همچون انتخاب تراکتور و بهدست آوردن مدلی دقیق برای پیشبینی این نیروها، مورد بررسی قرار گرفتند. اثرات عمق خاکورزی در پنج سطح (5، 10، 15، 20 و 25 سانتیمتر) و نیز سرعت پیشروی در پنج سطح (1، 5/1، 2، 5/2 و 3 متر بر ثانیه) بر نیروهای وارد بر گاوآهن برگرداندار ...
بیشتر
در این پژوهش، نیروهای وارد بر گاوآهن برگرداندار، به دلیل اهمیت و تأثیرگذاری در برخی موارد همچون انتخاب تراکتور و بهدست آوردن مدلی دقیق برای پیشبینی این نیروها، مورد بررسی قرار گرفتند. اثرات عمق خاکورزی در پنج سطح (5، 10، 15، 20 و 25 سانتیمتر) و نیز سرعت پیشروی در پنج سطح (1، 5/1، 2، 5/2 و 3 متر بر ثانیه) بر نیروهای وارد بر گاوآهن برگرداندار (کششی، عمودی و جانبی) بهصورت شبیهسازی شده به روش المان محدود بهدست آمده و مورد بررسی و ارزیابی قرار گرفتند. دو روش سطح پاسخ و شبکه عصبی مصنوعی برای مدلسازی و پیشبینی نیروها بهکار گرفته شدند. نتایج مقایسه این دو روش نشان داد که این دو روش به خوبی میتوانند نیروهای مورد نظر را پیشبینی کنند، اما روش شبکه عصبی مصنوعی عملکرد بهتری نسبت به روش دیگر برای پیشبینی نیروها داشت. نتایج دادههای بهدست آمده حاکی از آن است که افزایش عمق خاکورزی از 5 تا 25 سانتیمتر و سرعت پیشروی از 1 تا 3 متر بر ثانیه، منجر به افزایش غیر خطی نیروهای کششی، عمودی و جانبی بهترتیب به میزان 55/66%، 47/68% و 76/64% میشود. با استفاده ازمدلهایی که توسط شبکه عصبی مصنوعی بهدست آمده که دقت نسبتاً خوبی دارند، میتوان قبل از ورود به مزرعه با توجه به عمق خاکورزی و سرعت پیشروی مد نظر با توجه به بازههای تعریف شده برای هر کدام در این پژوهش، مقادیر نیروهای وارد بر گاوآهن برگرداندار را بررسی و بهدست آورد. سپس با استفاده از این نیروها میتوان بهطور مثال تراکتوری را انتخاب نمود که توان کشش این گاوآهن را در شرایط تعریف شده (عمق خاکورزی و سرعت پیشروی) مورد نظر داشته باشد. به همین خاطر توصیه میگردد که از مدل شبکه عصبی توسعه داده شده در این پژوهش، استفاده گردد.
سید پویا فیاض؛ سید سعید محتسبی؛ علی جعفری؛ عبدالناصر مسعودی
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 ...
بیشتر
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.
فرزانه جنت دوست؛ پرویز احمدی مقدم؛ فاروق شریفیان
چکیده
حفظ پارامترهای کیفی میوه در مرحله پس از برداشت نقش تاثیرگذاری در بازارپسندی و کاهش ضایعات محصول دارد. هدف اصلی تحقیق حاضر، بررسی فاکتور سفتی میوهی کیوی پس از برداشت با استفاده از تکنیک غیرمخرب آنالیز سیگنال صوتی حاصل از ضربه میباشد. در این مطالعه 150 عدد کیوی رقم هایوارد در طول دوره 18 روز پس از برداشت (پس از خروج از سردخانه) مورد مطالعه ...
بیشتر
حفظ پارامترهای کیفی میوه در مرحله پس از برداشت نقش تاثیرگذاری در بازارپسندی و کاهش ضایعات محصول دارد. هدف اصلی تحقیق حاضر، بررسی فاکتور سفتی میوهی کیوی پس از برداشت با استفاده از تکنیک غیرمخرب آنالیز سیگنال صوتی حاصل از ضربه میباشد. در این مطالعه 150 عدد کیوی رقم هایوارد در طول دوره 18 روز پس از برداشت (پس از خروج از سردخانه) مورد مطالعه قرار گرفتند. نمونهها بر روی یک نوار نقاله قرار داده شده و بهطور گسسته با یک صفحه افقی برخورد کرده و سپس با پردازش صدای حاصل از ضربه در دو حوزه زمان و فرکانس، صفات مربوط به کیویهای سفت، متوسط و نرم استخراج گشت و سپس توسط شبکههای عصبی مصنوعی کلاسبندی شد. نتایج نشان داد که ویژگیهای حوزه فرکانس، بیشترین قابلیت را در شناسایی صحیح نمونهها داشته و مدل بهینهی ارائه شده با تعداد پنج نرون در لایه پنهان دارای دقت شناسایی صحیح 3/93 در مرحله آموزش، 3/91 در مرحله ارزیابی و 3/78 درصدی برای دادههای آزمون برای کل نمونهها بود.
مدلسازی
غلامحسین شاهقلی؛ حافظ غفوری چیانه؛ ترحم مصری گندشمین
چکیده
یکی از مخربترین آثار تردد ماشین در مزرعه ایجاد تراکم در خاکهای کشاورزی است. تراکم خاکهای کشاورزی موجب افزایش مقاومت مکانیکی خاک، کاهش ریشه دوانی گیاه و نهایتاً کاهش عملکرد محصول میشود. مدلسازی سیستمهای اکولوژیک توسط روشهای متداول مدلسازی، بهدلیل ماهیت پیچیده آنها در صورت امکان نیز بسیار مشکل است. سیستمهای هوش مصنوعی ...
بیشتر
یکی از مخربترین آثار تردد ماشین در مزرعه ایجاد تراکم در خاکهای کشاورزی است. تراکم خاکهای کشاورزی موجب افزایش مقاومت مکانیکی خاک، کاهش ریشه دوانی گیاه و نهایتاً کاهش عملکرد محصول میشود. مدلسازی سیستمهای اکولوژیک توسط روشهای متداول مدلسازی، بهدلیل ماهیت پیچیده آنها در صورت امکان نیز بسیار مشکل است. سیستمهای هوش مصنوعی و محاسبات نرم بهواسطه سادگی و دقت بالا با یکبار تعریف یا آموزش بسیار مورد توجه هستند. هدف از انجام این تحقیق مدلسازی سیستم تراکم خاک تحت تأثیر رطوبت خاک، سرعت پیشروی ماشین و عمق خاک توسط شبکههای عصبی مصنوعی پرسپترون چندلایه بود. در این پژوهش، رطوبت خاک در پنج سطح 11%، 13/5%، 16%، 19% و 22%، میانگین سرعت پیشروی ماشین در پنج سطح 1، 2، 3، 4 و 5 کیلومتر بر ساعت و عمقهای مختلف خاک در سطوح 20، 25، 30، 35 و 40 سانتیمتر در نظر گرفته شد. دادههای تجربی در مزرعه تحقیقاتی دانشگاه محقق اردبیلی بهصورت آزمایش فاکتوریل در قالب طرح بلوکهای کامل تصادفی در پنج سطح رطوبت، سرعت پیشروی و عمق خاک در سه تکرار بهدست آمدند. شبکه عصبی پرسپترون با پنج نرون در لایه پنهان با تابع انتقال سیگموییدی و تابع انتقال خطی برای نرون خروجی برای مدلسازی طراحی و آموزش داده شد. مقایسه نتایج مدل و نتایج تجربی نشاندهنده ضریب تبیین 0/99 =R2 بین این مقادیر بود. مقدار میانگین مربعات خطای مدل و درصد میانگین مطلق خطای سیستم بهترتیب برابر 0/17 و 0/29 درصد بهدست آمدند که نشان از دقت بالای مدل شبکه عصبی در تخمین مقادیر تراکم خاک دارد.
نعیمه غلامرضایی؛ کوروش قادری؛ کاظم جعفری نعیمی
چکیده
فراهم شدن شرایط مطلوب سالنهای صنعتی پرورش مرغ گوشتی، مستلزم ثابت بودن عاملهای دما و رطوبت داخل سالن در حد بهینه و کاهش دامنه تغییرات آن از مقدار بهینه است. یکی از راههای تنظیم و تثبیت این عاملها، استفاده از ابزار دقیق و سامانههای الکترونیکی با دقت اندازهگیری بالا برای کنترل تجهیزات تهویه است. در این تحقیق از شبکه عصبی پرسپترون ...
بیشتر
فراهم شدن شرایط مطلوب سالنهای صنعتی پرورش مرغ گوشتی، مستلزم ثابت بودن عاملهای دما و رطوبت داخل سالن در حد بهینه و کاهش دامنه تغییرات آن از مقدار بهینه است. یکی از راههای تنظیم و تثبیت این عاملها، استفاده از ابزار دقیق و سامانههای الکترونیکی با دقت اندازهگیری بالا برای کنترل تجهیزات تهویه است. در این تحقیق از شبکه عصبی پرسپترون چندلایه (MLP) بهمنظور پیشبینی دما و رطوبت و همچنین انرژی مصرفی تجهیزات استفاده شد. ورودیهای مدل شامل طول، عرض و ارتفاع قرارگیری حسگرهای واحد کنترل الکترونیکی در60 نقطه با مختصات متفاوت بودند. شبکه دولایه با ساختار 1-10 با R² و MSE بهترتیب برابر با 0/96 و 0/00912 بهترین نتیجه را برای پیشبینی دما داشت. شبکه سه لایه با ساختار 1-10-20 بهترین نتیجه را برای پیشبینی رطوبت با R² و MSE بهترتیب برابر با 0/8 و 0/00783 و همچنین شبکه سه لایه با ساختار 1-10-10 بهترین نتیجه را برای پیشبینی انرژی مصرفی با R² و MSE بهترتیب برابر با 0/98 و 0/00114 نشان داد. از نتایج تحقیق میتوان در بهینهسازی و مدیریت مصرف انرژی در مرغداریها بهره گرفت.
فاطمه نادی؛ سامان آبدانان مهدی زاده؛ اولدوز نورانی زنوز
چکیده
تجزیه و تحلیل دقیق یک جمع کننده خورشیدی با توجه به بالا بودن تعداد پارامترهای مؤثر بر عملکرد آن کار پیچیده ای است. هدف از انجام این تحقیق، مقایسه تجربی و نظری عملکرد جمع کننده خورشیدی با توجه به توزیع جریان و درجه حرارت در دینامیک سیالات محاسباتی و شبکه عصبی پرسپترون چندلایه برای پیش بینی دمای خروجی از جمع کننده خورشیدی صفحه تخت است. ...
بیشتر
تجزیه و تحلیل دقیق یک جمع کننده خورشیدی با توجه به بالا بودن تعداد پارامترهای مؤثر بر عملکرد آن کار پیچیده ای است. هدف از انجام این تحقیق، مقایسه تجربی و نظری عملکرد جمع کننده خورشیدی با توجه به توزیع جریان و درجه حرارت در دینامیک سیالات محاسباتی و شبکه عصبی پرسپترون چندلایه برای پیش بینی دمای خروجی از جمع کننده خورشیدی صفحه تخت است. دمای خروجی از جمع کننده خورشیدی صفحه تخت بهصورت عددی با دینامیک سیالات محاسباتی و با شبکه عصبی مدل شد و با نتایج تجربی مقایسه شد. بهمنظور آموزش و ارزیابی شبکه های عصبی مصنوعی از پنج عامل ورودی میزان تشعشع خورشید، سرعت هوا، زمان روز، رطوبت و دمای هوا استفاده شد. برای مدل سازی عددی انتقال گرمای جمع کننده خورشیدی صفحه تخت از نرم افزار تجاری حجم محدود استفاده شد. در کار حاضر یک مدل دو بعدی از جمع کننده خورشیدی شامل صفحه جاذب، شیشه و فاصله هوایی بین صفحه جاذب و شیشه در تحلیل انتقال گرما ارائه شد. اثرات آشفتگی با مدل تلاطم مدل شد. حداکثر اختلاف دما بین نتایج عددی و تجربی با دینامیک سیالات محاسباتی حدود 6/4 کلوین بهدست آمد. تحلیل آماری برای مقایسه نتایج پیش بینی دمای خروجی دو روش شبکه عصبی و دینامیک سیالات محاسباتی صورت گرفت. نتایج نشان داد که شبکه عصبی به -لحاظ آماری نسبت به روش دینامیک سیالات محاسباتی تطابق بهتری با داده های تجربی دارد.
فاطمه قشلاقی؛ عارف مردانی کرانی
چکیده
یکی از عمدهترین افتهای انرژی زمانیکه چرخ روی خاک نرم حرکت میکند، مقاومت غلتشی میباشد. بهینهسازی مقدار مقاومت غلتشی به بهبود بازده انرژی کمک خواهد کرد، مدلسازی دقیق برهمکنش خاک-تایر کلید اساسی برای این بهینهسازی است و نیاز به آزمایشهای مزرعهای پرهزینه را حذف کرده و زمان مورد نیاز آزمایش را کاهش میدهد. در این تحقیق ...
بیشتر
یکی از عمدهترین افتهای انرژی زمانیکه چرخ روی خاک نرم حرکت میکند، مقاومت غلتشی میباشد. بهینهسازی مقدار مقاومت غلتشی به بهبود بازده انرژی کمک خواهد کرد، مدلسازی دقیق برهمکنش خاک-تایر کلید اساسی برای این بهینهسازی است و نیاز به آزمایشهای مزرعهای پرهزینه را حذف کرده و زمان مورد نیاز آزمایش را کاهش میدهد. در این تحقیق جهت پیشبینی مقاومت غلتشی چرخ غیر محرک با در نظرگرفتن برخی پارامترهای حرکتی مانند فشار باد تایر، سرعت پیشروی و بار عمودی متغیر روی چرخ که با استفاده از یک آزمونگر تک چرخ در انباره خاک صورت گرفت، از شبکه عصبی مصنوعی استفاده شد. شبکه پس انتشار برگشتی با 35 نرون در لایه پنهان و 1 نرون در لایه خروجی و الگوریتم آموزشی لونبرگ-مارکوارت بهترین عملکرد را نشان داد. ضریب همبستگی آزمون شبکه مزبور 0/92 بوده است. نتایج شبیهسازی شبکه عصبی عدم وابستگی مقاومت غلتشی چرخ به پارامتر سرعت پیشروی را نشان داد و تأیید کرد که با افزایش فشار باد تایر و کاهش بار عمودی روی چرخ مقاومت غلتشی کاهش خواهد یافت.
محمد اسکندری؛ عادل حسین پور
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 ...
بیشتر
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.
رضا صدقی؛ یوسف عباسپور گیلانده
چکیده
ایجاد ساختمان مناسب برای خاک به منظور رشد محصول از اهمیت زیادی برخوردار است و یکی از مشخصه های اصلی ساختمان خاک، اندازه خاک دانهها می باشد. راه های مختلفی جهت نشان دادن وضعیت پایداری خاک دانهها وجود دارد که از متداول ترین آنها می توان به تعیین میانگین وزنی قطر خاک دانه ها اشاره کرد. در این مقاله از روش سیستم استنتاج فازی بر پایه شبکه ...
بیشتر
ایجاد ساختمان مناسب برای خاک به منظور رشد محصول از اهمیت زیادی برخوردار است و یکی از مشخصه های اصلی ساختمان خاک، اندازه خاک دانهها می باشد. راه های مختلفی جهت نشان دادن وضعیت پایداری خاک دانهها وجود دارد که از متداول ترین آنها می توان به تعیین میانگین وزنی قطر خاک دانه ها اشاره کرد. در این مقاله از روش سیستم استنتاج فازی بر پایه شبکه عصبی تطبیقی (ANFIS) برای توصیف میزان خرد شدن خاک در ترکیب ادوات خاک ورزی اولیه و ثانویه شامل زیرشکن، گاوآهن برگرداندار و دیسک ثانویه به منظور تهیه زمین برای کاشت محصولات زراعی استفاده شد. سیستم استنتاج فازی- عصبی تطبیقی روش مناسبی برای حل مسائل غیرخطی است. ANFIS ترکیبی از روش استنتاج فازی (FIS) و شبکه عصبی مصنوعی (ANN) است که از توانایی هر دو مدل بهره می برد. در این تحقیق، ورودی های مدل شامل محتوی رطوبتی خاک، سرعت پیشروی تراکتور و لایه های عمقی شخم بود. برای ارزیابی عملکرد مدل از پارامترهای مجذور میانگین مربعات خطا (RMSE)، درصد خطای نسبی (ε)، میانگین خطای مطلق (MAE) و ضریب تبیین (R2) استفاده شد که به ترتیب 135/0، 6/3%، 122/0 و 981/0 به دست آمد. به-منظور ارزیابی مدل ANFIS، داده های به دست آمده از این مدل با داده های مدل شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. مقایسه نتایج به-دست آمده از مدل فازی- عصبی و شبکه عصبی مصنوعی نشان داد که مدل ANFIS داده های نزدیکتری به داده های واقعی در مقایسه با مدل شبکه عصبی مصنوعی ارائه کرد.