ماشین های کشاورزی

چکیده این مطالعه به‌منظور بررسی اثر زمان پلاسمای سرد (CPt) و توان امواج فراصوت (USp) بر خشک شدن دانه زیره سبز در یک خشک‌کن هوای گرم انجام شد. در این راستا، از یک دستگاه تولید پلاسمای سرد و یک خشک‌کن هیبریدی هوای گرم- فراصوت در مقیاس آزمایشگاهی استفاده شد و روش‌های خشک کردن به گونه‌ای برنامه‌ریزی شد که اثرات CPt و USp در خشک کردن دانه‌ها به‌صورت منفرد یا ترکیبی دخالت داشته باشند. زمان‌های مختلف پیش‌تیمار پلاسمای سرد (15 و 30 ثانیه)، توان‌های امواج فراصوت (60، 120 و 180 وات) و دمای هوای خشک شدن (30، 35 و 40 درجه سانتی‌گراد) برای مطالعه تغییرات زمان خشک کردن، ضریب نفوذپذیری مؤثر رطوبت، مصرف انرژی، تغییر رنگ کل، نیروی گسیختگی بذر زیره سبز انجام گرفت. از سه شبکه عصبی مصنوعی معروف شامل شبکه عصبی مبتنی بر موجک (WNN)، پرسپترون چندلایه (MLPNNs)، تابع پایه شعاعی (RBFNNs) و تحلیل رگرسیون چندگانه درجه دوم (MQR) برای مدل‌سازی ورودی‌های مذکور و پارامترهای خشک‌کردن استفاده شد. بر اساس نتایج مدل‌سازی، بهترین برازش خطی بین داده‌های تجربی و مقادیر پیش‌بینی‌شده توسط مدل‌سازی شبکه عصبی WNN با حداکثر R²،0.92 و 0.83 به‌ترتیب برای داده‌های آموزش و تست به‌دست آمد.

چکیده بهینه‌سازی مصرف نهاده، کاهش مصرف انرژی و اثرات مختلف زیست‌محیطی سیستم تولید ذرت در استان لرستان بر اساس تحلیل اکسرژی و ارزیابی چرخه حیات زیست‌محیطی مورد بررسی قرار گرفت. بر اساس نتایج به‌دست‌آمده و با توجه به معادله کاب-داگلاس، برق، سوخت دیزل و کود نیتروژن، بیشترین سهم را در مصرف اکسرژی تجمعی در سیستم تولید ذرت داشته‌اند. نتایج DEA نشان داد که میانگین راندمان تمام مزارع از نظر مصرف اکسرژی تجمعی در مدل‌های CCR و BCC، به‌ترتیب 94.7 و 97.8 درصد است. همچنین نتایج نشان داد که نهاده‌ها به‌ویژه کودهای پتاسیم و فسفات بیش از نیاز مصرف می‌شود. همچنین می‌توان 6.47، 10.42، 7.40، 13.32، 31.29، 3.25 و 6.78 درصد به‌ترتیب در مصرف اکسرژی سوخت دیزل، برق، ماشین‌ها، کودهای شیمیایی، سموم، بذر و انرژی آبیاری، با حفظ سطح عملکرد فعلی و تنها با ترویج روش‌های مورد استفاده توسط مزارع کارآمد، صرفه‌جویی کرد.

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

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 در ایران هرساله بیش از50 هزار هکتار آفتابگردان روغنی و آجیلی، کشت می‌شود. به علت سازگار نبودن کمباین‌های غلات موجود در کشور با ویژگی‌های بوته و طبق آفتابگردان، مقدار زیادی دانه توسط کمباین تلف می‌شود. لذا، هم‌اکنون برداشت آن به‌صورت دستی انجام می‌شود. برداشت دستی باعث افزایش مشقت‌های کارگری، انرژی مصرفی و هزینه تولید گردیده است. در این تحقیق، به‌منظور برداشت مکانیزه این محصول، اصلاحاتی بر روی هد موجود کمباین غلات (جاندیر 1055)، اعمال ‌گردید تا بتوان با آن عملیات برداشت، کوبش و بوجاری آفتابگردان را به‌طور هم‌زمان انجام داد. پس از طراحی و ساخت الحاقیه، هد به‌سازی‌شده در شرایط مزرعه، ارزیابی و با روش‌های برداشت مرسوم مقایسه شد. ارزیابی مزرعه‌ای هد به‌سازی‌شده در قالب طرح بلوک‌های کامل تصادفی با سه تکرار بود. تیمارها شامل: 1) برداشت توسط کمباین غلات مجهز به هد اصلاح‌شده، 2)‏ برداشت توسط کمباین غلات مجهز به قایقی و 3) برداشت به روش دستی بود. در هرکدام از تیمارهای ماشینی، واحدهای کوبنده و تمیزکننده به‌منظور برداشت آفتابگردان تنظیم گردید. نتایج نشان داد که بین تیمارهای آزمایشی از نظر تلفات کمباینی، ظرفیت مزرعه‌ای و هزینه‌های برداشت، اختلاف معنی‌داری در سطح 5% وجود دارد. در کمباین اصلاح‌شده، کمباین شیراز و روش دستی، تلفات کمباینی به‌ترتیب 0.72، 4.85 و 6 درصد، ظرفیت مزرعه‌ای به‌ترتیب 1.2، 1.13 و 0.12 هکتار بر ساعت و نسبت سود به هزینه به‌ترتیب 13.97، 13.3 و 3.01 بود. بین تیمارها از نظر افت طبیعی و درصد خلوص اختلاف معنی‌داری در سطح 5% وجود نداشت. با توجه به نتایج به‌دست‌آمده، به دلیل پایین بودن تلفات، ظرفیت مزرعه‌ای مناسب و هزینه برداشت پایین، استفاده از کمباین جاندیر 1055 مجهز به هد اصلاح‌شده برای برداشت آفتابگردان روغنی قابل‌توصیه است.

چکیده هدف اصلی این تحقیق ایجاد چارچوبی جامع برای ارزیابی عملکرد در زنجیره تامین کشاورزی و توسعه دو رویکرد برای بهبود آن می‌باشد. مرتبط‌ترین معیارهای عملکرد برای ارزیابی وضعیت فعلی خدمات در زنجیره تامین کشاورزی (ASC) انتخاب شدند. نوآوری این تحقیق به انتخاب شاخص‌های کلیدی عملکرد (KPI) و رویکردهایی برای افزایش عملکرد ASC مربوط می‌شود. چارچوب پیشنهادی شامل اندازه‌گیری عملکرد و فرآیند انتخاب خدمات است. دو رویکرد بر اساس‌KPI های منتخب از خدمات در ASC توسعه داده شده است تا مشخص شود کدام خدمات نیاز به بهبود دارند. رویکردهای پیشنهادی ابزارهای قوی و همه‌کاره‌ای برای مدیران کشاورزی هستند تا زنجیره‌های تامین خود را ارتقا دهند. یک مطالعه موردی نیز از ایران ارائه شده است. چارچوب پیشنهادی برای این منطقه، رویکردهای انتخاب خدمات کشاورزی مانند مشاوره پس از تولید، حمایت مالی، مکانیزاسیون، مشاوره تجاری و تامین نهاده را در اولویت قرار می‌دهند. این چارچوب نشان می‌دهد که این خدمات باید به‌منظور پاسخ‌گویی بهتر به نیازهای منطقه مورد مطالعه بهبود یابد.

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.