رویا فرهادی؛ امیرحسین افکاری سیاح؛ بهاره جمشیدی؛ احمد موسی پور گرجی
چکیده
برای ایجاد اطمینان از عرضۀ پیوستۀ سیب زمینی به مصرفکنندگان و صنایع فرآوری این محصول، ذخیره سازی آن ضروری است. هنگام ذخیره سازی، تغییرات فیزیولوژیکی و اتلاف آب در سیب زمینی باعث می شود رنگ، شکل، اندازه و بافت آن تغییرکند. بنابراین، برای تعیین کیفیت محصول نیاز به روش های دقیق و سریع خواهد بود. در این مطالعه، از روش ...
بیشتر
برای ایجاد اطمینان از عرضۀ پیوستۀ سیب زمینی به مصرفکنندگان و صنایع فرآوری این محصول، ذخیره سازی آن ضروری است. هنگام ذخیره سازی، تغییرات فیزیولوژیکی و اتلاف آب در سیب زمینی باعث می شود رنگ، شکل، اندازه و بافت آن تغییرکند. بنابراین، برای تعیین کیفیت محصول نیاز به روش های دقیق و سریع خواهد بود. در این مطالعه، از روش ماشین بینایی و شبکۀ عصبی مصنوعی برای کلاسه بندی و مدلسازی دو نمونه سیب زمینی ذخیره شده در شرایط ثابت و متغیر استفاده شد. از بین 29 پارامتر اندازه گیری شده مربوط به ویژگی های رنگ، بافت و مورفولوژیکی، سه ویژگی طول قطر بزرگ، فشردگی و مساحت (از ویژگی های مورفولوژیکی)، دو ویژگی L* و b* (از ویژگی های رنگی) و 2 ویژگی میانگین کنتراست و میانگین سطح خاکستری (از ویژگی های بافت) به عنوان پارامترهای اصلی انتخاب شدند. در میان الگوریتم های آموزشی، الگوریتم آموزشی لونبرگ-مارکوارت (LM) با کمترین میانگین مربعات خطا 0/012=RMSE و بیشترین ضریب تبیین 95/01 =R2 درصد مدلی بهینه در طبقه بندی (کلاسه بندی) دو نمونه سیب زمینی انبار شده در انبار غیرفنی و فنی شناخته شد. در انبار غیرفنی و فنی، دقت شناسایی ژنوتیپ اگریا به ترتیب 89/2 و 87/6 درصد و دقت شناسایی ژنوتیپ کلون 8-397009 بهترتیب 92/4 و 90/3 درصد به دست آمد.
امیرحسین افکاری سیاح؛ حمیدرضا محمددوست چمن آباد؛ منصور راسخ؛ مهساسادات رضوی
چکیده
فناوری ماشین بینایی میتواند به عنوان سامانهای برای تشخیص موقعیت تودههای علف هرز در سطح مزرعه در حین حرکت ماشین، به منظور کاهش مصرف سموم شیمیایی استفاده شود. در این تحقیق عوامل موثر بر دقت و کارایی سامانه پردازش تصویر در تشخیص علف هرز از گیاه اصلی بر مبنای ویژگیهای رنگی گیاه بررسی شد. اثر سه عامل شرایط نوری محیط، مرحله رشد گیاه اصلی ...
بیشتر
فناوری ماشین بینایی میتواند به عنوان سامانهای برای تشخیص موقعیت تودههای علف هرز در سطح مزرعه در حین حرکت ماشین، به منظور کاهش مصرف سموم شیمیایی استفاده شود. در این تحقیق عوامل موثر بر دقت و کارایی سامانه پردازش تصویر در تشخیص علف هرز از گیاه اصلی بر مبنای ویژگیهای رنگی گیاه بررسی شد. اثر سه عامل شرایط نوری محیط، مرحله رشد گیاه اصلی و نوع علف هرز بر میزان خطا در تشخیص گیاه اصلی (سیب زمینی) از پنج نوع علف هرز شلمبیگ، پیچک، گندم، کنگر وحشی و آتریپلکس بررسی شد. نتایج نشان داد که بین دو شرایط نورپردازی آفتابی و تصویربرداری در سایه تفاوت معنیداری در میزان دقت تشخیص وجود ندارد. اما تأثیر دو عامل نوع علف هرز و مرحله رشد بطور قابل ملاحظهای بر عملکرد سیستم تشخیص معنیدار بود. بطوریکه بهترین زمان برای تصویربرداری، اولین مرحله رشد محصول سیب زمینی است (اوایل تیر ماه) و در بین پنج نوع علف هرز نیز میتوان شلمبیگ را با دقت قابل قبولی صرفا بر اساس مدل رنگی RGB از گیاه اصلی متمایز نمود. در این روش امکان تعیین موقعیت مراکز ثقل تودههای علف هرز بصورت دکارتی نسبت به صفحه تصویر با دقت بیشینه ۹۵% بسته به شرایط مختلف تیماری امکانپذیر است.
