کاوه ملازاده

بخش کشاورزی و صنایع مربوط به آن از جمله شالوده‌های اصلی اقتصاد کشورهای مختلف به‌خصوص جوامع درحال‌ توسعه به شمار می‌رود. یکی از زیر مجموعه‌های بخش کشاورزی که به طور چشم‌گیری در دنیا در حال توسعه است، فناوری پس‌ از برداشت محصولات کشاورزی می‌باشد. در این میان سنجد یک میوه با خواص غذایی و دارویی بالا می‌باشد که بیشتر با استفاده از روش‌های سنتی و دستی درجه‌بندی می‌شود. خصوصیات رنگی و ظاهری سنجد یکی از مهم‌ترین عوامل مرتبط با کیفیت آن به‌شمار می‌رود. با توجه به افزایش روز افزون مصرف این محصول در جهان و با توسعه فناوری‌های جدید، نیاز به روش نوین با بازدهی بالا و بدون دخالت انسان جهت درجه‌بندی میوه سنجد وجود دارد. برای این امر تکنیک‌های بینایی ماشین مبتنی بر یادگیری عمیق برای تعیین درجه کیفی سنجد با دقت قابل قبول می‌تواند مورد استفاده قرار گیرند. از این رو هدف از انجام این پژوهش توسعه یک سامانه درجه‌بندی مبتنی بر بینایی ماشین به منظور درجه‌بندی میوه سنجد در سطوح مختلف سرعت درجه‌بندی می‌باشد. تصاویر داده‌برداری‌شده در سرعت‌های مختلف خطی تسمه نقاله توسط یک سامانه بینایی ماشین و با استفاده از محیط برنامه نویسیPython تحلیل شد و فریم‌های حاوی نمونه‌های سنجد استخراج گردید. از الگوریتم Mask R-CNN به‌منظور قطعه‌بندی فریم‌های خروجی برای به دست آوردن مرز(لبه) نمونه‌ها استفاده شد. بالاترین میانگین صحت مرزبندی در سطح سرعت اول (82/4 سانتی متر بر ثانیه) به مقدار 11/104درصد به دست آمد. با توجه به اهمیت سرعت و صحت برای درجه‌بندی، از شبکه YOLO جهت ایجاد شبکه طبقه‌بند استفاده گردید. به منظور مقایسه نتایج صحت طبقه‌بندی در سرعت‌های مختلف، از دو شبکه YOLOv8x و YOLOv8n استفاده شد. ارزیابی مدل های طبقه‌بند جهت درجه‌بندی میوه سنجد با استفاده از شاخص‌های آماری نظیر حساسیت، اختصاصی بودن، دقت و صحت کل انجام گردید. میزان صحت کل طبقه‌بندی مدل برتر شبکه YOLOv8x در مرحله صحت‌سنجی 25/91 درصد و برای شبکه YOLOv8n، 88/88 درصد در سرعت خطی تسمه نقاله برابر با 18/15 سانتی متر بر ثانیه به دست آمد. نتایج این بررسی نشان داد که سامانه پیش‌نهادی پتانسیل لازم به عنوان یک روش سریع و با صحت مناسب را برای تعیین کلاس کیفی میوه سنجد را دارا است.

برنج به عنوان یک محصول استراتژیک پس از گندم، دومین غذای اصلی اکثر مردم محسوب می‌شود. یکی از مشکلات اصلی در زراعت برنج که سبب افت شدید در عملکرد آن می‌شود، وجود علف‌‌های هرز در شالیزار به‌ویژه سوروف است. این علف هرز به دلیل جوانه‌‌زنی سریع، رسیدگی زودهنگام، تولید بذر فراوان، توانایی تقلید از برنج و داشتن مسیر فتوسنتزی چهارکربنه یکی از مهم‌ترین علف‌های هرز مزارع برنج دنیا به شمار می‌رود. علاوه بر سوروف، نوعی از برنج با نام محلی چمپا در شالیزارها وجود دارد که به دلیل کیفیت پایین و چسبندگی که هنگام طبخ ایجاد می‌‌کند، به عنوان ضایعات برنج در نظر گرفته می‌‌شود. با توجه به اینکه گیاهان هرز ذکر شده از لحاظ ظاهری شباهت بسیار زیادی با برنج دارند، به‌کارگیری روش‌های معمول بینایی ماشین نمی‌توانند به‌طور موثر به تفکیک آنها از برنج منجر شود. هدف از تحقیق حاضر، به‌کارگیری روش‌های طیفی در تفکیک برنج از سوروف و چمپا است. ابتدا نشاها در ظروفی با ابعاد متناسب با نقاله سامانه تصویر و مطابق با روش آماده‌سازی در سینی‌های نشاء در روش نشاکاری با ماشین آماده شدند. تصویربرداری با یک سامانه تصویربرداری فراطیفی اسکن خطی در گستره طول موجی 400 تا 950 نانومتر و با 568 باند طیفی انجام گرفت. سیستم مزبور مجهز به سامانه نورپردازی با 4 لامپ هالوژن با توان 50 وات و با تفکیک مکانی دوربین CCD برابر با 1 میلی‌متری بود. تصویربرداری‌ها در روزهای 15، 18 و 22 بعد از بذرپاشی انجام شد. مراحل پیش‌پردازش، پردازش و طبقه‌بندی در ابتدا فقط بر روی تصاویر روز 22 انجام شد. مراحل پیش پردازش شامل حذف نویزهای ابتدائی و انتهایی گستره طیفی دوربین و استفاده از هموارسازی با استفاده از فیلتر ساویتزکی گولای اجرا و مراحل کاهش ابعاد داده با استفاده از آنالیز مولفه‌های اساسی و نیز الگوریتم ژنتیک جهت انتخاب ویژگی انجام شد. طبقه‌بندی‌‌ها توسط شبکه عصبی مصنوعی انجام پذیرفت. نتایج طبقه‌بندی نشان داد در صورت استفاده از تمامی 425 طول موج‌‌ اخذ شده صحت کلی طبقه‌بندی 96 درصد خواهد بود. در روش تعیین مولفه‌های اساسی؛ 9 مولفه اساسی اول دارای 1/99 درصد اطلاعات طیف‌ها بودند که نتیجه طبقه‌بندی با آنها دارای صحت کلی 88/94 درصد در تفکیک برنج از سوروف و چمپا بود. تعداد 8 طول موج به عنوان طول‌‌موج‌های بهینه توسط الگوریتم ژنتیک انتخاب شدند که شامل طول موج‌‌های 4/637 و 651 نانومتر در ناحیه قرمز و 9/685، 8/691، 3/711، 2/715 و 7/733 نانومتر در لبه قرمز و 9/849 نانومتر در مادون قرمز بود. میزان صحت مدل در طبقه‌بندی با 8 طول موج منتخب 21/97 درصد بود که نشان‌دهنده عملکرد بسیار خوب در تفکیک برنج از غیربرنج است. نتایج رتبه‌بندی طول موج‌‌های انتخابی نشان دادکه طول موج 2/715 نانومتر قدرتمندترین طول موج در تفکیک برنج از کلاس غیربرنج است و به تنهایی دارای میزان صحت کلی 20/88 درصد در تفکیک این دو کلاس است. پس از آن طول موج 3/711 نانومتر با صحت کلی 16/87 درصد است. با هدف تبدیل سامانه فراطیفی به چندطیفی و انتخاب 4 طول موج برتر، چهار طول موج بهینه از میان 8 طول موج شامل 651، 8/691، 2/715 و 9/849 نانومتر انتخاب شد که قادر به تفکیک دو کلاس با صحت کلی 6/95 درصد بودند. این چهار طول موج ذکرشده برای طراحی سامانه‌‌های چندطیفی تشخیص علف هرز و در ربات‌های مبارزه با علف هرز برای این منظور پیشنهاد می‌‌شوند. آزمون قدرتمندی مدل نشان داد که مدل پیشنهادی با 8 طول موج برتر قادر است برای نشاهای 4 روز جوان‌تر (18 روزه) بدون کاهش محسوسی در میزان صحت به‌کار رود. در صورتی که تصویربرداری در حوالی دو هفتگی نشاها (15 روزه) انجام شود، مدل توسعه داده شده قادر به تفکیک برنج از علف هرز با صحت کل به میزان 37/93 درصد است. نتایج به دست آمده نشان‌دهنده عملکرد بسیار مناسب طول موج‌‌های معرفی شده در این تحقیق برای توسعه سامانه‌های تفکیک و یا ربات‌های مبارزه با علف هرز در همان مراحل اولیه رشد نشاها و قبل از ورود به مزرعه هستند.

در این پژوهش به منظور مدل سازی و پیش بینی محتوای رطوبتی محصول شوید خروجی از خشک کن جریان هوای گرم تسمه نقاله ای، از سیستم بینایی ماشین استفاده گردید. بدین منظور، بخش های کنترل دمای هوا، سرعت تسمه نقاله، سامانه تصویربرداری و نورپردازی به خشک کن جریان هوای گرم تسمه نقاله ای اضافه گردید. بخش کنترل دمای هوا و سرعت تسمه نقاله شامل رله های SSR و الگوریتم برنامه نویسی شده در محیط نرم افزار MATLAB می باشد. بخش بینایی ماشین شامل سه دوربین که در ابتدا، وسط و انتهای تسمه نقاله قرار گرفته است، می باشد. در این پژوهش، آزمایش ها در دو سطح دمای 50 و 60 درجه سلسیوس و سه سطح سرعت حرکت تسمه نقاله برای هر تیمار انجام شدند. سپس به کمک الگوریتم پردازش تصویرتوسعه داده شده در محیط MATLAB، تغییرات چروکیدگی، رنگ و بافت نمونه ها در طی فرآیند خشک شدن استخراج و مورد بررسی قرار گرفت. در نهایت، محتوای رطوبت نهایی محصول به کمک سه مدل شبکه عصبی مصنوعی مدل سازی شد. نتایج حاصل از این پژوهش حاکی از آن بود که محتوای رطوبت نهایی و میزان چروکیدگی محصول خشک شده وابسته به دمای خشک کن و سرعت حرکت تسمه نقاله می باشد. دما و سرعت حرکت تسمه نقاله بر مقدار تغییرات رنگ و بافت محصول نیز تاثیر گذار می باشد. با افزایش دما و کاهش سرعت حرکت تسمه نقاله، میزان چروکیدگی و ضریب تغییرات افزایش می یابد. اما مقادیر پارامتر های رنگی a* و b* و همچنین مقادیر آنتروپی و میانگین سطح خاکستری تصاویر گرفته شده، کاهش یافت. شبکه عصبی با ساختار 10-10-1، که ورودی های آن شامل سه ویژگی بافت تصاویر(میانگین سطح خاکستری، ضریب تغییرات و آنتروپی) و محتوای رطوبت اولیه بود، با بیشترین مقدار R و کمترین مقدار RMSE، بهترین مدل جهت پیش بینی محتوای رطوبت نهایی بود.

غذا و تغذیه از جمله نیازهای بنیادی جامعه ی بشری می باشد. کنترل و تضمین کیفیت مواد غذایی همواره یک مسئله مهم برای متخصصان این حوزه است. تعیین کیفیت محصول با توجه به خواص ظاهری و خواص درونی محصول تعیین می شود. ظاهر محصول شامل شکل، اندازه و رنگ می باشد. رنگ به عنوان مهم ترین ویژگی ظاهری در درک کیفیت محصول شناخته شده است؛ چون رنگ سطح محصول پارامتر قابل درک و قابل تشخیص برای مصرف کننده است. هدف از انجام این پژوهش، طراحی یک بسته ی نرم افزاری توسط MATLAB با استفاده از رابط کاربر گرافیکی(GUI) می باشد که قابلیت استخراج مقادیر رنگی را دارا باشد. این نرم افزار مجهز به ابزار استحصال تصویر، مدل های پیش بینی جهت واسنجی و ارزیابی دقیق نرم افزار، اندازه گیری مقادیر رنگی تصویر و تبدیل آن به مقادیر واقعی در فضاهای رنگی RGB و L*a*b* با کارایی آسان می باشد. از سه مدل خطی، درجه دوم و شبکه عصبی مصنوعی جهت کالیبره کردن نرم افزار استفاده شد. مدل شبکه عصبی مصنوعی با 15 لایه ی پنهان با R های نزدیک به 1 بهترین عملکرد را جهت واسنجی نرم افزار از خود نشان داد. نرم افزار FOCAبر روی محصولات مختلف غذایی با شرایط خاصی آزمایش شد. گوشت قرمز و گوشت مرغ در یخچال به مدت پنج روز در دمای 2 درجه سلسیوس نگهداری شدند. بیشترین میزان همبستگی برای گوشت قرمز مربوط به a* مدل شبکه عصبی مصنوعی با مقدار 99/0 و کمترین ضریب همبستگی، 65/0 برای a*مدل خطی بدست آمد. برای گوشت مرغ هم بیشترین مقدار و کمترین مقدار همبستگی به ترتیب برابر 98/0 و 56/0 برای L* و b* مدل شبکه عصبی مصنوعی بیان شد. پخت نان باگت در سه حالت مختلف صورت گرفت. بیشترین همبستگی با میزان 99/0 برای b* مدل شبکه عصبی مصنوعی محاسبه شد و کمترین مقدار مربوط به b* مدل خطی به میزان 65/0 بیان شد.همچنین، مراحل رسیدگی موز نیز بررسی شد. بیشترین همبستگی برای شاخص b*در مدل شبکه عصبی مصنوعی با مقدار 99/0 و کمترین برای شاخص a* مدل خطی به میزان 78/0 بدست آمد. در آزمایش دیگر ورقه های موز توسط آون و مایکروویو خشک گردید. بهترین مقدار ضریب همبستگی در مرحله پیش بینی مربوط به L* مدل شبکه عصبی مصنوعی و پایین ترین عملکرد مربوط به a* مدل خطی بود که به ترتیب برابر 99/0 و 83/0 بودند.

بازده مصرف انرژی در استفاده از ماشین ها و ادوات کشاورزی در سال های اخیر مورد توجه قرار گرفته است. انرژی مصرفی ماشین های برداشت غلات می تواند تا 32 درصد از کل انرژی مصرفی مزرعه را شامل شود. بنابر این بازنگری در طراحی این قبیل ادوات ضروری به نظر می رسد. برای بهینه سازی مصرف انرژی این ادوات، پارامترهای مختلفی می تواند دخیل باشد. در پژوهش حاضر تاثیر زاویه تمایل تیغه، زاویه تیزی تیغه، سرعت حرکت رفت و برگشتی تیغه درکاهش نیرو و تنش برشی و نیز انرژی مصرفی در برداشت کلزا (Brassica napus L.) بصورت کارگاهی مورد مطالعه قرار گرفت. تغییرات مقدار نیرو و تنش برشی و نیز انرژی مصرفی برای سه زاویه تیزی تیغه (30، 45 و60 درجه)، سه زاویه تمایل تیغه (30، 45 و 60 درجه)، سه سرعت حرکت رفت و برگشتی با کورس 6/7 سانتی متر (800، 1100 و 1400 کورس بر دقیقه) و سه رطوبت (21-18، 23-21 و 25-23 درصد بر پایه تر) مورد بررسی قرار گرفته است. از یک سامانه شامل یک الکتروموتور AC، اینورتر، نیروسنج، برد آردوینو، رایانه، فک متحرک، فک ثابت، گیره های نگه دارنده و مکانیزم لنگ و چلاق دست که به همین منظور ساخته شد برای اندازه گیری نیروی برش ساقه استفاده شد. برای اندازه گیری نیروی برش ساقه از یک دستگاه اینستران، مدل STM-1 با ظرفیت 1کیلونیوتن و دقت 01/0 نیوتن به عنوان مرجع نیز استفاده شد. برای یافتن مدل تخمین گر بین متغیر های مستقل و وابسته از رگرسیون چند جمله ای استفاده شد. نتایج تجزیه واریانس نشان داد که تمام پارامترهای مورد بررسی شامل زاویه تمایل تیغه، زاویه تیزی تیغه، سرعت حرکت رفت و برگشتی تیغه و نیز رطوبت ساقه روی نیرو و تنش برشی در سطح 1 % معنی دار بود. کمترین و بیشترین مقدار تنش برشی به ترتیب مربوط به زاویه ی تیزی تیغه 30 و 60 درجه بود. بعلاوه در زاویه های 45 و 60 درجه قرارگیری تیغه دارای کمترین و بیشترین تنش برشی بود. رطوبت ساقه کلزا هم روی تنش برشی در سطح 01/0 معنی دار بود. رطوبت ساقه 24 % دارای کمترین و رطوبت ساقه 19 % دارای بیشترین تنش برشی بود. همچنانکه انتظار می رفت، سرعت 1400 کورس بر دقیقه دارای کمترین و سرعت 800 کورس بر دقیقه دارای بیشترین تنش برشی ساقه بود. لذا با انتخاب زاویه تیزی 30 درجه، زاویه قرارگیری تیغه 45 درجه، رطوبت ساقه 24 % و سرعت حرکت رفت و برگشتی 1400 کورس بر دقیقه می توان انتظار داشت که مصرف انرژی برشی ساقه کلزا کاهش یابد.

در مزارع کشاورزی تعداد زیادی علف های هرز در کنار سیب زمینی رشد می کنند. سیب زمینی از دیگر گیاهان زراعی با اهمیت آسیایی است و به طور کلی، چنین تولیدی سالانه توسط علف های هرز مخرب آلوده می شود که باید با روش های خاص به طور خودکار کنترل شود. معمولاً کنترل علف های هرز شامل سم پاشی علف کش ها در سراسر مزارع کشاورزی است. هدف از این مطالعه توسعه کنترل علف های هرز برای توزیع مناسب مدیریت علف کش در سیب زمینی های ثبت شده است. زیرا این علف های هرز با رقابت در جذب آب، نور و مواد مغذی از خاک، باعث کاهش تولید محصولات می شوند. طبقه بندی علف های هرز گام مهمی در سیستم مدیریت علف های هرز سایت مخصوص (SSWMS) است که می تواند با جلوگیری از کاربردهای مکرر شیمیایی منجر به صرفه جویی در علف کش ها شود. سیب زمینی و خصوصیات آن ها از علف های هرز متمایز می شود. در این حالت، ما شبکه های عصبی کانولوشن را ارائه می دهیم که دارای دقت بالایی هستند. با یک الگوریتم یادگیری عمیق، ویژگی های علف های هرز استخراج می شود که عملکرد بیشتری را در مقایسه با روش های معمول یادگیری ماشین ارائه می دهد. کشاورز ابتدا باید بتواند بفهمد که (زمان در روز) و کجا (فاصله بین گیاه و دوربین حسگر) زمین را پاشیده است تا تاثیر قابل اندازه گیری داشته باشد. در مطالعه ما برای جمع آوری مجموعه داده های تصویر از خود در سیب زمینی به پنج قد احترام با چهار زمان اختلاف در روز پرداختیم. فاصله شامل (20-40-60 80-100) سانتی متر از سطح زمین، همچنین شرایط مختلف روشنایی و سایه اندازی، چهار زمان مختلف (شامل 8:00 تا 11:00 ، 11:00 تا 14:00 ، 15:00 تا 17:00 ، 17:00 تا 19:00). نتایج تجربی نشان می دهد که مدل نهایی در اثر طبقه بندی 10 گونه عکس علف های هرز به خوبی عمل می کند. در روش ما، سه طبقه بندی CNN ساخته شده است کهEN-Inception-V3، EN-VGG-16و HCNN هستند، و آن ها نتایج قابل مقایسه و قابل قبولی را در مجموعه داده ما بدست آوردند. دقت کلی طبقه بندی کننده های EN-Inception-V3، EN-VGG-16 و HCNN به ترتیب 99.42 ، 97.02 و 98.22 است. علاوه بر این، یافته های این تحقیق برای پاشش موفقیت آمیز علف کش ها در یک سیستم رباتیک استفاده خواهد شد.

رسیدگی گوجه فرنگی یکی از مهم ترین عوامل مرتبط با کیفیت آن به شمار می رود. با توجه به افزایش روزافزون مصرف این محصول در جهان و با توسعه فناوری های جدید، نیاز به گسترش روش های غیرمخرب جهت تعیین عوامل موثر بر کیفیت میوه گوجه فرنگی وجود دارد. از این رو هدف از انجام این پژوهش، طراحی یک نرم افزار هوشمند بر روی تلفن های همراه جهت استفاده بر خط پیش بینی شاخص های مرتبط با کیفیت و تعیین مراحل رسیدگی گوجه فرنگی می باشد. در این پژوهش از روش نوین تصویربرداری تماسی همراه با نور لیزر در طول موج های ناحیه مرئی طیف الکترومغناطیس (532 و 650 نانومتر)، طول موج های فروسرخ نزدیک (780 و 850 نانومتر) و نور سفید (ناحیه 400 تا 700 نانومتر) استفاده شد. 220 نمونه گوجه فرنگی در شش مرحله رسیدگی برداشت شد. مولفه های رنگی L*a*b*، الاستیسیته، محتوای رطوبتی، کلروفیل، کاروتنوئید، لیکوپن، اسیدیته قابل تیتراسیون (TA) و مواد جامد محلول (TSS) به عنوان شاخص های مرتبط با کیفیت گوجه فرنگی در نظر گرفته شدند. پس از انتخاب ویژگی های برتر با روش رگرسیون گام به گام، از الگوریتم های شبکه عصبی مصنوعی جهت پیش بینی شاخص های کیفی و طبقه بندی تصاویر تماسی استفاده شد. شاخص a* با ضریب همبستگی 97/0 و شاخص های b* و محتوای رطوبتی با ضریب همبستگی 37/0، به ترتیب بیشترین و کم ترین میزان همبستگی را با مراحل رسیدگی داشتند. پیش بینی پارامترهای a*، TA و TSS با استفاده از نور سفید، کاروتنوئید با طول موج 650 نانومتر، L*، الاستیسیته و لیکوپن با ترکیب طول موج های 532 و 650 نانومتر و کلروفیل با ترکیب طول موج های 650 و 780 نانومتر دارای عملکرد بهتری بودند. در طول موج های ذکر شده، مقدار ضریب همبستگی در مرحله آزمون پیش بینی a* با ساختار 1-4-4 برابر 97/0 و برای لیکوپن با ساختار 1-5-13 برابر 95/0 بدست آمد. میزان این شاخص برای شاخص های کلروفیل و کاروتنوئید به ترتیب 78/0 و 74/0 و برای سایر شاخص های کیفی نیز بالاتر از 80/0 بودند. مدل طبقه بند شبکه عصبی مصنوعی در نور سفید با ساختار 7-12-5 قادر به تفکیک مراحل رسیدگی با بالاترین میزان صحت کل به میزان 57/78% بود. در نهایت، برنامه کاربردی به نام TomatoScan برای تلفن های هوشمند اندروید توسعه داده شد. نتایج حاصل از ارزیابی برنامه TomatoScan تقریباً مشابه نتایج بدست آمده در مرحله آزمون مدل های شکبه عصبی با استفاده از نرم افزار متلب بود.

مقدار واقعی توزیع بذر و کود در یک مزرعه با توجه به این که هیچ مکانیسم بازخوردی از جریان آن ها در طول عملیات کاشت وجود ندارد، قابل تشخیص نیست. عدم کاشت بذر و اعمال کود می تواند در وسعت زیاد به دلیل مشکلاتی مانندگرفتگی لوله های سقوط، خرابی های مکانیسم توزیع کود و بذر و خالی شدن مخزن بذر و کود اجتناب ناپذیرگردد. بنابراین وجود سامانه اندازه گیری بلادرنگ دبی جرمی خطی کارها به منظور نظارت بر عملکرد آن ها در طول اعمال نهاده ضروری است. در پژوهش حاضر دو نوع سامانه ی اندازه گیری جریان جرمی تماسی (پیزوالکتریک) و غیرتماسی (خازنی) به منظور مدل سازی و اندازه گیری جریان جرمی در لوله سقوط کارنده ها و کودکارها طراحی و پیاده سازی شد. برای یافتن رابطه بین نرخ جریان جرمی و سیگنال دریافتی از حسگرها یک واحد خطی کار با موزع غلطکی دندانه دار ساخته شد. به منظور ارزیابی سامانه در حالت دینامیکی یک پایه ی ارتعاشی برای شبیه سازی حرکت خطی کار بر اساس حرکت خطی کار در سطح مزرعه متناسب با سامانه ارزیابی، در نرم افزار Solidworks 2018طراحی و ساخته شد. سپس جریان جرمی کود سوپرفسفات تریپل در 5 نرخ جریان جرمی از 22/1±42/3 تا 95/0± 3/19گرم بر ثانیه، جریان جرمی بذر گندم در 8 نرخ جریان جرمی از 23/0± 55/2 تا 86/0±02/19 گرم بر ثانیه و جریان جرمی بذر یونجه در 7 نرخ جریان جرمی از 02/0± 42/0 تا 08/0±6/1 گرم بر ثانیه در مدت زمان 30 ثانیه برای هر نرخ در لوله سقوط واحد خطی کار به صورت استاتیکی و دینامیکی به وسیله ی حسگرهای خازنی و پیزوالکتریک اندازه گیری شد. آزمایش ها در 4 تکرار برای رابطه یابی و در 2 تکرار برای اعتبارسنجی انجام شدند. پایه ی ارتعاشی از لحاظ تامین میزان جابه جایی، سرعت و شتاب در جهات مختلف برای واحد خطی کار مورد ارزیابی قرار گرفت. نتایج نشان داد در جهت z بیشترین جابه جایی، سرعت و شتاب برای واحد خطی کار وجود دارد. نتایج حاصل از ارزیابی حسگرها نشان می دهد سیگنال خروجی حسگرها برای تمامی نرخ های مواد دانه ای گندم، یونجه و کود سوپرفسفات تریپل در دو حالت استاتیکی و دینامیکی در طول زمان 30 ثانیه برای هر نرخ مشخص از جریان جرمی پیروی کرده است. با استنتاج از داده های آزمایش، مشخص شد که رابطه یابی کاملاً قابل قبولی بین سیگنال دریافتی از حسگرها و نرخ جریان بذرهای گندم، یونجه و کود شیمیایی قابل انجام است. حسگر پیزوالکتریک به خوبی تغیرات لحظه ای جریان جرمی در داخل یک نرخ را پایش کرده است، اما حسگر خازنی علی رغم عدم پایش تغییرات لحظه ای در داخل یک نرخ به خوبی نرخ های مختلف جریان جرمی را تفکیک کرده است. نتایج حاصل از اعتبار سنجی نشان می دهد هر دو حسگر پیزوالکتریک و خازنی توانسته اند با ضریب تبیین بالا تمامی نرخ های جریان جرمی گندم، یونجه و کود سوپرفسفات تریپل را هم در حالت استاتیکی و هم درحالت دینامیکی پایش کنند. از این دو حسگر می توان به عنوان روش های قابل اتکا در اندازه گیری نرخ های مختلف جریان جرمی مواد کشاورزی بهره برد.

مقدار واقعی توزیع بذر و کود در یک مزرعه با توجه به این که هیچ مکانیسم بازخوردی از جریان آن ها در طول عملیات کاشت وجود ندارد، قابل تشخیص نیست. عدم کاشت بذر و اعمال کود می تواند در وسعت زیاد به دلیل مشکلاتی مانندگرفتگی لوله های سقوط، خرابی های مکانیسم توزیع کود و بذر و خالی شدن مخزن بذر و کود اجتناب ناپذیرگردد. بنابراین وجود سامانه اندازه گیری بلادرنگ دبی جرمی خطی کارها به منظور نظارت بر عملکرد آن ها در طول اعمال نهاده ضروری است. در پژوهش حاضر دو نوع سامانه ی اندازه گیری جریان جرمی تماسی (پیزوالکتریک) و غیرتماسی (خازنی) به منظور مدل سازی و اندازه گیری جریان جرمی در لوله سقوط کارنده ها و کودکارها طراحی و پیاده سازی شد. برای یافتن رابطه بین نرخ جریان جرمی و سیگنال دریافتی از حسگرها یک واحد خطی کار با موزع غلطکی دندانه دار ساخته شد. به منظور ارزیابی سامانه در حالت دینامیکی یک پایه ی ارتعاشی برای شبیه سازی حرکت خطی کار بر اساس حرکت خطی کار در سطح مزرعه متناسب با سامانه ارزیابی، در نرم افزار Solidworks 2018طراحی و ساخته شد. سپس جریان جرمی کود سوپرفسفات تریپل در 5 نرخ جریان جرمی از 22/1±42/3 تا 95/0± 3/19گرم بر ثانیه، جریان جرمی بذر گندم در 8 نرخ جریان جرمی از 23/0± 55/2 تا 86/0±02/19 گرم بر ثانیه و جریان جرمی بذر یونجه در 7 نرخ جریان جرمی از 02/0± 42/0 تا 08/0±6/1 گرم بر ثانیه در مدت زمان 30 ثانیه برای هر نرخ در لوله سقوط واحد خطی کار به صورت استاتیکی و دینامیکی به وسیله ی حسگرهای خازنی و پیزوالکتریک اندازه گیری شد. آزمایش ها در 4 تکرار برای رابطه یابی و در 2 تکرار برای اعتبارسنجی انجام شدند. پایه ی ارتعاشی از لحاظ تامین میزان جابه جایی، سرعت و شتاب در جهات مختلف برای واحد خطی کار مورد ارزیابی قرار گرفت. نتایج نشان داد در جهت z بیشترین جابه جایی، سرعت و شتاب برای واحد خطی کار وجود دارد. نتایج حاصل از ارزیابی حسگرها نشان می دهد سیگنال خروجی حسگرها برای تمامی نرخ های مواد دانه ای گندم، یونجه و کود سوپرفسفات تریپل در دو حالت استاتیکی و دینامیکی در طول زمان 30 ثانیه برای هر نرخ مشخص از جریان جرمی پیروی کرده است. با استنتاج از داده های آزمایش، مشخص شد که رابطه یابی کاملاً قابل قبولی بین سیگنال دریافتی از حسگرها و نرخ جریان بذرهای گندم، یونجه و کود شیمیایی قابل انجام است. حسگر پیزوالکتریک به خوبی تغیرات لحظه ای جریان جرمی در داخل یک نرخ را پایش کرده است، اما حسگر خازنی علی رغم عدم پایش تغییرات لحظه ای در داخل یک نرخ به خوبی نرخ های مختلف جریان جرمی را تفکیک کرده است. نتایج حاصل از اعتبار سنجی نشان می دهد هر دو حسگر پیزوالکتریک و خازنی توانسته اند با ضریب تبیین بالا تمامی نرخ های جریان جرمی گندم، یونجه و کود سوپرفسفات تریپل را هم در حالت استاتیکی و هم درحالت دینامیکی پایش کنند. از این دو حسگر می توان به عنوان روش های قابل اتکا در اندازه گیری نرخ های مختلف جریان جرمی مواد کشاورزی بهره برد.

از آن جایی که آفت کش ها در تولید محصولات گلخانه ای بسیار مورد تقاضا هستند، هدف از مطالعه کنونی، تشخیص باقیمانده آفت کش های ایمیداکلوپراید و پنکونازول در خیار گلخانه ای می باشد. پژوهش حاضر روش های ساده ای را برای تشخیص رنگ سنجی ایمیداکلوپراید و پنکونازول، به ترتیب با استفاده از حسگرهای مبتنی بر نقاط کوانتومی گرافن/ طلا (III) و نانو ذرّات طلا، ارائه می دهد. برای داشتن نمونه های تحت کنترل، خیار گلخانه ای رقم "ناگن" در گلخانه ای واقع در دانشگاه ارومیه کشت گردید و چهار تیمار (شاهد، پنکونازول، ایمیداکلوپراید و ترکیب پنکونازول و ایمیداکلوپراید) در قالب طرح آماری کاملاً تصادفی در چهار تکرار به بوته های خیار اعمال شدند. روش کروماتوگرافی مایع با عملکرد بالا برای تعیین کمّی باقیمانده آفت کش های مورد نظر به عنوان آزمون مرجع استفاده شد. نتایج تحلیل شیمیایی نشان داد که آفت کش های پنکونازول و ایمیداکلوپراید به ترتیب به صورت توابعی خطّی (91/0 < 2R) و توانی (94/0 < 2R) از زمان کاهش می یابند. در نتیجه، خیارهای تیمار شده با ایمیداکلوپراید به دلیل نیمه عمر کوتاه تر آن در مقایسه با پنکونازول می توانند در روز اوّل پس از سمپاشی برداشت شوند. در بررسی کنونی، اثرات متقابل بین یون های +3Au و گروه های ایمیدازول یا تری آزول موجود در آفت کش ها باعث کاهش کاتیون +3Au به طلا با عدد اکسایش صفر در حضور عوامل کاهنده دیگر مانند نقاط کوانتومی گرافن و سدیم بوروهیدراید می شود. این پدیده، به دلیل تشکیل و تجمّع نانو ذرّات طلا بر مبنای غلظت آفت کش ها و شیفت پیک تشدید پلاسمون سطح موضعی در آن ها، منجر به تغییر رنگ از زرد به قرمز، قهوه ای یا خاکستری شد. نانو حسگرهای توسعه یافته توانستند ایمیداکلوپراید و پنکونازول را به ترتیب در محدوده های خطّی ppm 1-001/0 و ppm 100-1 و با حدود تشخیص ppm 39/0 و ppb 37/0 شناسایی نمایند. علاوه بر این، نانو حسگرها به طور نسبتاً موفّقیت آمیزی برای تشخیص آفت کش ها در نمونه های واقعی خیار گلخانه ای به کار برده شدند.

تخم مرغ یکی از عناصر مهم رژیم غذایی انسان است و نقش ویژه ای نیز در صنایع غذایی ایفا می کند. افزایش مدت زمان انبارداری، سبب افول کیفیت و کاهش ارزش تغذیه ای تخم مرغ می گردد. لذا بررسی کیفیت تخم مرغ طی انبارداری، جهت حفظ سلامت مصرف کننده و موفقیت اقتصادی تولیدکنندگانی که از این ماده غذایی در محصول خود استفاده می کنند، بسیار حائز اهمیت است. هدف از انجام پژوهش حاضر بررسی کیفیت تخم مرغ با استفاده از روش طیف سنجی عبوری، در بازه طول موجی 1100-200 نانومتر، می باشد. بدین منظور 300 عدد تخم مرغ به دو گروه تقسیم شدند تا در بازه های زمانی سه روزه و طی انبارداری 21 روزه، در قالب طرح کاملاً تصادفی، مورد بررسی قرار گیرند. گروه اول در اتاق با میانگین دمای 25 درجه سلسیوس و رطوبت نسبی 40% و گروه دوم در یخچالی با دمای 5/0±5 درجه سلسیوس و رطوبت نسبی 5±75% نگهداری شدند. شش شاخص واحد هاو، ارتفاع کیسه هوا، شاخص زرده، مقدار محتوای S-ovalbumin، pH زرده و pH سفیده به عنوان شاخص های کیفیت تخم مرغ در نظر گرفته شدند. نتایج نشان داد که با به کارگیری دو روش متغیر نرمال استاندارد و تصحیح خط پایه به عنوان روش های پیش پردازش طیف و نیز استفاده از شبکه عصبی مصنوعی بر پایه الگوریتم پرسپترون سه لایه می توان تخم مرغ های تازه و تخم مرغ های کهنه را با صحت 56/86% از هم تفکیک نمود. مقدار ضریب همبستگی برای داده های مربوط به آزمون، با به کارگیری شش مولفه اصلی اول طیف پیش پردازش شده، برای واحد هاو، ارتفاع کیسه هوا، شاخص زرده، مقدار محتوای S-ovalbumin، pH زرده و pH سفیده به ترتیب 91/0، 87/0، 87/0، 83/0، 41/0 و 82/0 به دست آمد. به منظور تعیین طول موج های بهینه از طیف نسبی نمونه ها بهره گرفته شد. در نهایت سه طول موج 228 نانومتر، 280 نانومتر و 320 نانومتر با دارا بودن صحت کل 43/74%، 86/73% و 86/73%، جهت تشخیص تخم مرغ های تازه از تخم مرغ های کهنه، به عنوان طول موج های بهینه انتخاب شدند. به طور کلی نتایج این پژوهش نشان داد که طیف سنجی عبوری، روشی کارآمد جهت تشخیص کیفیت تخم مرغ می باشد

پرتقال با نام علمی (Citrus Sinensis) بعد از سیب بیش ترین مصرف را در جهان دارد. تولید پرتقال در سال 2013 حدود 3/71 میلیون تن بوده است. مطالعات انجام شده توسط سازمان بین المللی غذا و کشاورزی (FAO) نشان داده است که در حدود یک سوم از تمام مواد غذایی تولید شده و در حدود نیمی از تمام میوه ها و سبزیجات از دست رفته و مصرف نمی شود. نظارت موثر بر درجه حرارت، رطوبت و سایر شرایط محیطی در داخل یک سردخانه یا انبار یکی از زمینه های مهم تحقیق و توسعه کشورهای در حال توسعه در سراسر جهان شده است. میوه وسبزیجات مواد غذایی حساس به سرما می باشند. ذخیره سازی آن ها در شرایط نامناسب دمایی باعث از بین رفتن و فساد می شود. براین اساس، هدف این پژوهش پیش بینی و ایجاد روش غیرمخرب مبتنی بر فناوری بینایی ماشین و روش های داده کاوی به منظور پیش بینی و طبقه بندی میوه های سالم از میوه های آسیب دیده است. مراحل مختلف مربوط به پیاده سازی این روش متشکل از ایجاد شرایط آزمایشگاهی و شرایط سرمازدگی و یخ زدگی، قرارگیری نمونه ها در شرایط انبارمانی، تصویربرداری فلورسانسی از نمونه های پرتقال، انجام آزمایش های مخرب و ثبت خواص ظاهری و مکانیکی، تجزیه و تحلیل آزمون های مخرب، تجزیه و تحلیل تصاویر رنگی فلورسانس، انتخاب مناسب ترین ویژگی های آماری مستخرج از تصاویر فلورسانس، طبقه بندی با استفاده از مدل رگرسیون مولفه های اصلی و شبکه های عصبی مصنوعی و مقایسه دو مدل طبقه بند است. نتایج حاصل از مدل های طبقه بند با استفاده از داده های آزمون مورد ارزیابی قرار گرفته است. مقدار صحت کل مدل شبکه عصبی برابر 64 درصد در طبقه بندی سه دسته ای (سالم-سرمازده-یخ زده) بدست آمد. میزان صحت کل مدل شبکه عصبی مصنوعی در طبقه بندی دو دسته ای سالم-سرمازده، سالم- یخ زده و سرمازده- یخ زده نیز به ترتیب برابر 81، 91 و 77 درصد حاصل شد. براین اساس مدل شبکه عصبی مصنوعی نسبت به مدل طبقه بند مبتنی بر رگرسیون مولفه های اصلی از عملکرد بالاتری برخوردار بود.

یکی از فناوری های کشاورزی دقیق اعمال کود به صورت نرخ متغیر است. در کشورهای در حال توسعه پیاده سازی کوددهی نرخ متغیر با هزینه پایین و با کم ترین پیچیدگی می تواند ترغیب مناسبی برای کشاورزان باشد. با این رویکرد، در مطالعه حاضر یک سامانه کوددهی نرخ متغیر جهت اعمال کود سولفات پتاسیم مبتنی بر اطلاعات برگرفته از تجزیه و تحلیل رنگ پهنه پتاسیم خاک طراحی و پیاده سازی شد. برای این منظور یک نرم افزار در محیط LabVIEW(ver. 2018, Natinal Instrument) تدوین شد. کار این نرم افزار قرائت پیکسل به پیکسل سطح پهنه خاک و انتقال اطلاعات لازم متناسب با موقعیت و سرعت پیشروی کودکار است. علاوه بر این، یک سامانه یک واحده کودکار نرخ متغیر طراحی و در کارگاه گروه مهندسی بیوسیستم دانشگاه کردستان ساخته شد. سامانه مجهز به یک GPS و یک واحد موزع است که حرکت دورانی خود را از یک موتور الکتریکی دریافت می کند. زمان پاسخ دهی سامانه به تغییر نرخ، در زمان تغییر سرعت دورانی موزع از 10 به 47 دور بر دقیقه و 47 به 10 دور بر دقیقه به ترتیب 99/3 و 87/2 ثانیه اندازه گیری شد. با توجه به نتایج پاسخ زمانی به دست آمده اگر کودکار نرخ متغیر با سرعت های پیشروی 6، 7 و 8 کیلومتر بر ساعت حرکت کند، افزایش هر کیلوگرم نرخ کوددهی در هکتار به ترتیب در مسافت های099/3، 118/4 و 518/5 سانتی متر و برای کاهش هر کیلوگرم نرخ کوددهی در هکتار 223/2، 029/2 و 957/3 سانتی متر رخ خواهد داد. علاوه بر ارزیابی آزمایشگاهی سامانه شامل استفاده از پهنه مجازی پتاسیم برای تغییر نرخ در حالت صعودی، نزولی و تصادفی، آزمایش های مزرعه ای نیز برای ارزیابی صحت عمل دستگاه انجام گرفت. نتایج آزمایش های مزرعه ای نشان داد که به وسیله سامانه کوددهی نرخ متغیر میزان کوددهی 94 درصد از سطح مزرعه با میزان توصیه کود سولفات پتاسیم متناسب است.

گوشت مرغ از دیدگاه تغذیه ای سرشار از مواد مغذی می باشد و جایگاه ویژه ای در سبد کالایی کشور دارد. صنعت کشتار مرغ یکی از مجموعه های عمده مواد غذایی در کشور محسوب می گردد. این صنعت با تولید بیش از یک میلیون تن گوشت مرغ نقش مهمی در تامین پروتئین مورد نیاز کشور به عهده دارد. تهیه مرغ به صورت قطعه بندی شده طی سال های اخیر در کشور گسترش و مقبولیت یافته و امروزه خریداری مرغ های قطعه بندی، سورت و بسته بندی شده افزایش محسوسی یافته است. بنابراین هدف از این تحقیق، طراحی، ساخت و ارزیابی یک سامانه درجه بندی قطعات مرغ بر اساس فناوری بینایی ماشین سه بعدی و هوش محاسباتی می باشد. دستگاه ساخته شده شامل دو بخش سخت افزاری و نرم افزاری می باشد. ساختمان دستگاه شامل قطعات، مکانیزم ها، حسگرها، عملگرها و بخش کنترلی می باشد. در بخش نرم افزار نیز الگوریتم مبتنی بر پردازش تصویر، روش های مدل سازی تحلیل تفکیک خطی، شبکه های عصبی پرسپترونی، شبکه های عمیق و برنامه نویسی PLC انجام شده و در پایان ارتباط بین بخش نرم افزار و سخت افزار دستگاه ایجاد گردید. در این پژوهش دو سناریوی مختلف برای پیاده سازی بخش نرم افزاری اعمال گردید. در سناریوی اول ویژگی های مبتنی بر شکل، رنگ و بافت از نمونه های قطعات مرغ استخراج گردید و بهترین آن ها توسط روش مربع کای انتخاب گردید و در پایان توسط شبکه عصبی پرسپترونی مدل سازی انجام گرفت. در ارزیابی سناریوی اول، دقت کل برای طبقه بندی کلاس های مختلف در فاز برون خط برابر 98 درصد و در فاز برخط در سرعت های 1/0و 2/0 متر بر ثانیه به ترتیب برابر 94 و 93 درصد بدست آمد. در سناریوی دوم ساختار VGG16 پیاده سازی گردید که نتایج آن در فاز برون خط برای طبقه بندی چهار کلاس مختلف سینه، ران، بال و پا برابر 100 درصد و مقدار ضریب همبستگی و ریشه میانگین مربعات خطا به ترتیب برابر 98/0 و 8/9 گرم بدست آمدند. مقادیر دقت کل برای سرعت های 1/0 و 2/0 متر بر ثانیه با استفاده از این ساختار به ترتیب برابر 100 و 75/98 درصد بودند. زمان پردازشی الگوریتم پیشنهادی نهایی برای تحلیل هر تصویر چهار بعدی از قطعات مرغ برابر 82 میلی ثانیه بود که کاملا منطبق با فرایندهای زمان واقعی در حوزه صنعتی می باشد.

تصویربرداری پس پراکنش و پیسه زیستی نور لیزر، روش های مبتنی بر پردازش تصویر هستند که به عنوان روش های نوین در ارزیابی، کیفیت سنجی و پیش بینی خواص مختلف کیفی مواد غذایی استفاده می گردند. به علت نوظهور بودن این روش ها در علوم مواد غذایی و کشاورزی، الگوریتم های پردازش تصویر توسعه داده شده برای آن ها در مراحل اولیه قرار دارند. این رساله به بررسی و امکان سنجی سنجش و ارزیابی خواص مکانیکی و رئولوژی محصولی مانند سیب زمینی و پیش بینی این خواص طی فرآیند انبارداری بلندمدت می پردازد. نمونه های سیب زمینی در فواصل زمانی یک ماهه از یک انبار صنعتی خارج گردید و پس قرارگیری در شرایط محیطی آزمایشگاه آزمایش ها بر روی آن ها انجام گرفت. در ابتدا، از نمونه ها تصاویر پس پراکنش تهیه شد. سپس دو نمونه استوانه ای با ابعاد معین از هر غده استخراج گردید. از این دو نمونه برای مراحل آزمون مخرب شبه استاتیک فشاری تک محوری و آزمون خزش استفاده شد. دو آزمون مخرب برای ثبت مقادیر انواع شاخص های کیفی مکانیکی و رئولوژی مانند مدول الاستیسیته، نرمی خزشی، ویسکوزیته، زمان تاخیر و چقرمگی انجام گرفتند. همچنین در طول اجرای آزمون های مکانیکی، تصویربرداری پیسه زیستی نیز از نمونه ها انجام شد. انتخاب طول موج های بهینه برای تصویربرداری لیزری نیز با تکیه بر پژوهش های تحلیلی پیشین انجام شده توسط دیگر محققان صورت پذیرفت. درنهایت طول موج های 650 نانومتر به علت حساسیت به میزان کلروفیل و قند، 780 نانومتر به علت حساسیت به محتوای آب و 980 نانومتر به علت حساسیت به میزان محتوای نشاسته غده ها انتخاب شدند. پس از گرفتن تصاویر به منظور استخراج ویژگی های مناسب از آن ها، از چندین روش مبتنی بر سنجش بافت و یا تحلیل شدت استفاده شد. مدل های مبتنی بر سامانه استنتاج تطبیقی عصبی ـ فازی (ANFIS) و به کمک روش های خوشه بندی مناسب و کاربردهای روش های بهینه سازی چندهدفه، به منظور پیش بینی مقادیر شاخص های مکانیکی و رئولوژی با استفاده از مجموعه شاخص های استخراج شده از تصاویر به منظور امکان سنجی در کاربردهای عملی توسعه داده شدند. نتایج تحلیل ویژگی های مکانیکی و رئولوژی نشان داد که در طول انبارداری ویژگی مدول الاستیسیته به علت افت در یکپارچگی ساختاری نمونه ها و افزایش تغییرشکل پذیری آن ها کاهش یافته است. همچنین نیروی قابل تحمل توسط نمونه ها نیز به علت

گوشت مرغ به عنوان یک منبع مهم پروتئین حیوانی در تغذیه انسان محسوب می شود. این ماده غذایی در سبد غذایی خانوارها بسیار با اهمیت است. سرانه مصرف گوشت مرغ در ایران 11/25 و در جهان حدود 30 کیلوگرم برای هر نفر در طول یک سال است. برای تولید گوشت مرغ و عرضه آن به مصرف کننده نیاز به پرورش جوجه مرغ در مرغداری ها است. در مرغداری های پرورش جوجه گوشتی، پرورش جوجه نر به پرورش جوجه ماده ترجیح داده می شود؛ زیرا جوجه های نر نسبت به جوجه های ماده نرخ رشد سریع تر و افزایش وزن بیشتری دارند. بر این اساس، هدف از این پژوهش ارائه الگوریتمی نوین مبتنی بر فناوری بینایی ماشین و روش های داده کاوی به منظور طبقه بندی جوجه های یک روزه به دو کلاس نر و ماده است. مراحل مختلف مربوط به پیاده سازی این الگوریتم از شش بخش اصلی شامل استحصال تصاویر، پیش پردازش تصاویر، قطعه بندی تصاویر، استخراج ویژگی های شکلی، کاهش ویژگی ها با الگوریتم ژنتیک و طبقه بندی با روش تحلیل تفکیک خطی است. ابتدا تصاویر مناسب از بال جوجه ها استحصال شد. بال جوجه ها شامل دو قسمت اصلی، یعنی پرهای اصلی و پرهای پوششی است. پرهای پوششی به کمک عملیات پیش پردازش از تصاویر حذف شدند. برای قطعه بندی تصاویر از روش آستانه گذاری دستی استفاده گردید. در گام بعدی، امضاء شکل پرها به دست آمد. از این امضاء به دست آمده، تبدیل فوریه گرفته شد و ضرایب آن استخراج گردید. بیست و پنج ضریب اول تبدیل فوریه به عنوان بردار ویژگی مناسب انتخاب شد. برای استخراج ویژگی های بهینه از الگوریتم ژنتیک استفاده شد. پس از پیاده سازی این الگوریتم، سه ویژگی برتر انتخاب گردید. از طبقه بند تحلیل تفکیک خطی برای طبقه بندی جوجه ها به دو کلاس نر و ماده استفاده گردید. مقدار صحت کل طبقه بندی برابر 38/97 درصد به دست آمد. همچنین میانگین مقادیر حساسیت، اختصاصی بودن و دقت برای کلاس نر به ترتیب برابر 11/99، 47/95 و 75/95 درصد و برای کلاس ماده برابر 47/95، 11/99 و 11/99 درصد بود.

آسیب سرمازدگی یکی از شایع ترین اختلالات شناخته شده در حوزه پس از برداشت است. این پدیده ممکن است در هر زمان به علت شرایط محیطی نامناسب اتفاق بیفتد و منجر به کاهش کیفیت محصول شود. اولین اثر سرمازدگی بر روی غشاء سلولی می باشد و منجر به تغییرات سفتی بافت میوه (خواص مکانیکی) می گردد. از آنجا که پراکندگی داخلی نور (پس پراکنش) با اجزای داخلی بافت بیولوژیک تعامل دارند، فوتون های پس پراکنش دارای اطلاعاتی مربوط به مورفولوژی و ساختار بافت محصول همچون خواص مکانیکی است. در نتیجه، در این پژوهش جهت تشخیص غیرمخرب آسیب سرمازدگی میوه سیب از روش غیر تهاجمی و نوین تصویر برداری پس پراکنش نور لیزر در دو طول موج 650 و 780 نانومتر و شبکه عصبی مصنوعی چند لایه استفاده شد. دو رقم میوه سیب فوجی و رد دلیشس در دو آزمایش مورد بررسی قرار گرفتند. با استفاده از روش های پیش پردازش تصویر و نیز روش اندازه گیری زاویه (AMT) اطلاعات لازم جهت ایجاد مدل شبکه عصبی مصنوعی به منظور طبقه بندی میوه ها به دو دسته سالم و سرمازده و پیش بینی سفتی بافت میوه سیب از تصاویر به دست آمد. نتایج مدل سازی نشان داد که بالاترین عملکرد برای طبقه بندی نمونه ها و پیش بینی سفتی بافت در آزمایش اول و دوم برای رقم فوجی در طول موج 650 نانومتر- طیف MA و برای رقم رد دلیشس در طول موج 780 نانومتر- طیف MA حاصل شد. با توجه به مقادیر بالای درصد صحت کل مدل ها، استفاده از سامانه تصویربرداری پس پراکنش نور لیزر در این پژوهش برای طبقه بندی میوه ها به دو دسته سالم و سرمازده رضایت بخش بود. علی رغم تغییرات سفتی بافت میوه سیب، مقدار بالای میانگین مطلق درصد خطای برای پیش بینی سفتی بافت حاصل شد. این امر حاکی از آن است که اگرچه بین اطلاعات استخراج شده از تصاویر پس پراکنش و سفتی بافت همبستگی بالایی وجود ندارد، اما همین اطلاعات استخراج شده از تصاویر در میوه های سالم و سرمازده با هم متفاوت بود و توانست دو دسته میوه را با مقداردرصد صحت کل بالا تفکیک کند.

کربن آلی خاک به عنوان بزرگترین منبع کربن اکوسیستم خاکی نشان دهنده ی تبادلی مهم ما بین اتمسفر و خاک از طریق فرآیند های فتوسنتز و تجزیه ی ماده ی آلی خاک است. کربن آلی خاک فقط یک منبع برای کربن نیست، بلکه خواص فیزیکی، شیمیایی و بیولوژیکی خاک را نیز تحت تاثیر قرار می دهد این امر تاثیر قابل توجهی بر پایداری کشاورزی دارد. بنابراین کربن آلی خاک شاخصی از کیفیت خاک و پایداری محیط زیست خاک است. ذخیره کربن آلی خاک با فعالیت های اخیر بشر مانند تغییر کاربری و مدیریت زمین به شدت کاهش یافته است. مطالعات نشان داده است که میزان انتشار گازهای گلخانه ای به اتمسفر و تشدید گرمایش جهانی با ترسیب کربن آلی در خاک کاهش یافته است. در این زمینه درک تعادل بین ورودی و خروجی کربن آلی خاک و مکانیسم ها و عوامل کنترلی آن راهکاری برای بهبود ترسیب کربن آلی در خاک است تا وظایف مهم اکوسیستم مانند حفظ تنوع زیستی، تولید مواد غذایی و زیست توده به خوبی انجام پذیرد. بنابراین اطلاعات پایه ای مربوط به ذخیره ی کربن آلی خاک برای توصیف پویایی و مبادله ی کربن ضروری است. هدف از تحقیق حاضر، نقشه برداری رقومی کربن آلی خاک در شهرستان مریوان با بهره گیری از داده های کمکی (پارامترهای اراضی و تصاویر ماهواره ای) و مدل شبکه عصبی است. 137 نمونه خاک از عمق 30-0 سانتی متری خاک از منطقه موردمطالعه به وسعت 20000 هکتار برداشت شد و بافت، هدایت الکتریکی، کربن آلی و واکنش خاک اندازه گیری شد. داده های کمکی از تصویر ماهواره ای لندست 8 سنجنده +ETM و مدل رقومی ارتفاع استخراج گردید. جهت برقراری ارتباط بین پارامترهای کمکی و کربن آلی خاک از مدل شبکه عصبی استفاده شد و در نهایت با استفاده از این مدل کربن آلی خاک منطقه برآورد و نقشه آن تهیه شد. بر اساس نتایج آنالیز حساسیت، شاخص تفاضلی نرمال شده ی پوشش گیاهی، باند 3، شاخص خیسی، شاخص همواری دره و فاکتور شیب- طول شیب، به ترتیب بیشترین تاثیر را در تخمین کربن آلی خاک داشتند. نتایج نشان داد مقدار کربن آلی خاک بین 45/8-26/0 درصد متغیر بوده و بیشترین مقدار کربن آلی خاک در مناطقی که عمدتاً دارای پوشش جنگلی و فیزیوگرافی کوه و تپه هستند و مناطق تحت پوشش تالاب اطراف دریاچه زریبار تخمین زده شد. داده های کمکی در کاربری های مختلف از لحاظ آماری دارای اختلاف معنی داری بودند که ارتباط داده های کمکی با کربن آ

سیب زمینی یکی از محصولات زراعی بسیار مهم در جهان و به خصوص در ایران است. قرارگیری این محصول در جایگاه پنجم و پس از محصولاتی همچون گندم، شیر، نیشکر و گوجه فرنگی، اهمیت این محصول استراتژیک را بیان می کند. بر این اساس هدف از این پژوهش، ارائه روشی نوین مبتنی بر فناوری بینایی ماشین، تکنیک پردازش تصویر و روش منطق فازی به منظور جداسازی محصول سیب زمینی به پنج کلاس مختلف شامل سیب زمینی غیرقابل مصرف، بذری، مصرفی بازار، قابل استفاده در صنایع فرآوری و عروسکی شکل می باشد. مراحل مربوط به پیاده سازی روش پیشنهادی از پنج بخش اصلی تصویر گیری، قطعه بندی تصویر، استخراج ویژگی های مناسب از تصویر، انتخاب ویژگی های مناسب و اعمال این ویژگی ها به منطق فازی، به عنوان سامانه تصمیم گیرنده تشکیل شده است. ویژگی های استخراج شده از تصاویر شامل ویژگی های مبتنی بر رنگ، شکل و بافت تصاویر است. از ویژگی مبتنی بر رنگ برای قطعه بندی محصول سیب زمینی از پس زمینه و از ویژگی های مبتنی بر شکل و بافت نیز جهت طبقه بندی محصول سیب زمینی به پنج کلاس مربوطه استفاده شده است. به وسیله روش های آماری، ویژگی های مناسب جهت طبقه بندی کلاس های مختلف سیب زمینی بر اساس منطق فازی، مشخص گردید. در شرایط برخط مقادیر شاخص های ارزیابی حساسیت، اختصاصی بودن، صحت برای کلاس غیر قابل مصرف به ترتیب 33/83، 33/98 و 33/95 درصد، برای کلاس بذری به ترتیب 100، 67/96 و 30/97 درصد، برای کلاس مصرفی بازار به ترتیب 67/86، 33/98 و 33/97 درصد، برای کلاس فرآوری به ترتیب 67/96، 100 و 33/99 درصد و برای کلاس عروسکی شکل به ترتیب 67/96، 50/97 و 33/977 درصد محاسبه شد و در نهایت صحت طبقه بندی سامانه ارائه شده 66/92 درصد محاسبه شد. نتایج بیانگر موفقیت روش ارائه شده در جداسازی محصول سیب زمینی است. زمان لازم برای فرآیند های پردازشی همچون تصویرگیری، قطعه بندی، استخراج ویژگی، تصمیم گیری و نیز زمان لازم برای ارسال سیگنال خروجی به بیرون از رایانه محاسبه شد. بیشترین زمان سپری شده در فرآیند قطعه بندی با میانگین زمان 16/194 میلی ثانیه و کمترین زمان سپری شده در فرآیند تصویرگیری با میانگین زمان 96/6 میلی ثانیه به دست آمد. کل مدت زمان لازم برای انجام فرآیند های پردازشی دارای میانگین زمان 00/292 میلی ثانیه و میانگین زمان لازم برای ارسال سیگنال به بیرون از رایانه، 00/254 می

یکی از روش های مهم برای به حداقل رساندن هزینه تعمیرات و نگهداری تجهیزات صنعتی دوار، پایش وضعیت آن ها با استفاده از تحلیل صدا می باشد. در پژوهش حاضر تشخیص عیوب و پایش وضعیت جعبه دنده به کمک تحلیل صدا انجام شد. برای این کار سامانه ای طراحی و ساخته شد که شامل یک الکتروموتور به منظور تامین دورهای مختلف برای جعبه دنده متصل به آن بود. ابتدا سامانه ساخته شده تحت شرایط متفاوت دور راه-اندازی و بوسیله یک میکروفن سیگنال صدای حاصل از چرخ دنده های سالم در رایانه ذخیره گردید. سپس عیوب محتمل جعبه دنده به ترتیب روی جعبه دنده اعمال شد و سیگنال صدای حاصل از چرخ دنده جمع آوری و مجدداً در رایانه ذخیره گردید. سیگنال های صوتی بوسیله نرم افزار LabVIEW که به همین منظور نوشته شده بود جمع آوری شد و سپس به داده های عددی برای پردازش های بعدی تبدیل شد. سیگنال های صوتی در دورهای موتور 750، 950، 1200 و1800 دور بر دقیقه مورد آزمایش قرار گرفتند. نتایج خروجی حوزه فرکانس، که با تبدیل FFT و فیلتر کردن سیگنال ها به دست آمد، بررسی و با مقایسه طیف فرکانسی هر یک از شرایط معیوب با حالت سالم قبل از ایجاد عیب مقایسه گردید. خرابی های مورد بررسی شامل چرخ دنده با سائیدگی یک دندانه، چرخ دنده با شکستگی یک دندانه و چرخ دنده با سائیدگی یک دندانه و شکستگی در دندانه دیگر بود. با مقایسه طیف فرکانسی سیگنال های به دست آمده در شرایط سالم و معیوب و با بیرون کشیدن برخی مشخصات آماری و طبقه بندی آن، عیوب مورد بررسی به وضوح قابل شناسایی بود. جهت تشخیص هوشمند نوع عیب از نرم افزار WEKA استفاده شد و عیوب در کلاس بندی مرتبط با نوع عیب طبقه بندی شد. صحت طبقه-بندی در 750 دور در دقیقه بیش از 90%، در 950 و 1200 دوردر دقیقه صحت طبقه بندی بیش از 98% و در 1800 دور در دقیقه صحت طبقه بندی بیش از 95% بدست آمد. بررسی طیف فرکانسی سیگنال صوتی حاصل از چرخ دنده و همچنین نتایج حاصل از داده کاوی و طبقه-بندی، بیانگر توانمندی این روش در پایش وضعیت جعبه دنده با صحت بالا در کوتاه ترین زمان می باشد.

شوری و قلیائیت خاک یکی از مشکلات عمده در مناطق خشک و نیمه خشک می باشد. در چنین شرایط اقلیمی، نمک های محلول در سطح خاک تجمع یافته و باعث کاهش عملکرد و حاصلخیزی خاک می شوند. شناسایی و نقشه برداری خاک های مبتلا به نمک می تواند به اصلاح و بهبود مدیریت آن ها کمک کند. هدف از تحقیق حاضر نقشه برداری رقومی شوری خاک در منطقه ی قروه با بهره گیری از داده های کمکی (پارامترهای اراضی و تصاویر ماهواره ای) و مدل رگرسیون درختی می باشد. 150 نمونه خاک از عمق 30-0 سانتی متری خاک منطقه مورد مطالعه به وسعت 30000 هکتار برداشت و هدایت الکتریکی، کاتیون ها و آنیون های محلول و pH اندازه گیری شد. داده های کمکی از تصویر ماهواره ای لندست 8 سنجنده +ETM و مدل رقومی ارتفاع استخراج گردید. جهت برقراری ارتباط بین پارامترهای کمکی و هدایت الکتریکی خاک از مدل رگرسیون درختی استفاده شد و در نهایت با استفاده از این مدل هدایت الکتریکی خاک منطقه برآورد و نقشه آن تهیه شد. بر اساس نتایج آنالیز حساسیت شاخص شوری، شاخص MrVBF، شاخص NDVI، شاخص خیسی، باند 7 و باند 3 به ترتیب بیش ترین تاثیر را در تخمین شوری خاک داشتند. نتایج نشان داد مقدار شوری خاک بین 93/6-23/0 دسی زیمنس بر متر متغیر بوده و بیشترین مقادیر شوری خاک در مناطق مرکزی با فیزیوگرافی اراضی پست و کاربری اراضی بایر می باشد. در مناطق مرکزی با شوری زیاد، داده های کمکی شامل شاخص شوری، شاخص MrVBF، شاخص خیسی، باند 7 و باند 3 بیشترین مقدار و شاخص NDVI کم ترین مقدار را داشتند. نتایج مقایسه میانگین پارامترهای کمکی در دو کلاس شور و غیر شور صحت این مطالب را هم تایید می کند؛ به طوری که دو کلاس شور و غیر شور دارای اختلاف آماری معنی داری (05/0p<) از لحاظ پارامترهای کمکی شاخص MrVBF، شاخص NDVI، شاخص شوری و شاخص خیسی بودند. نتایج اعتبار سنجی مدل به روش اعتبارسنجی متقاطع بر اساس شاخص های آماری (205/0، 25/0، 042/0 و 63/0 به ترتیب برای ریشه میانگین مربعات خطا، خطای استاندارد نسبی، میانگین خطا و ضریب تبیین) نشان دهنده دقت نسبتاً مطلوب مدل رگرسیون درختی جهت تخمین شوری خاک می باشد.

ین رساله به بررسی کاربرد تصویربرداری پس پراکنش نور لیزر در پایش و مدل سازی خواص کیفی ورقه های سیب طی فرآیند خشک کردن همرفتی با هوای گرم می پردازد. بدین منظور سامانه تصویربرداری پس پراکنش نور لیزر ساخته شده و در سه طول موج در محدوده مرئی و مادون قرمز نزدیک مورد ارزیابی قرار گرفت. آزمایش های خشک کردن با استفاده از سیب رقم گلدن دلیشز با ضخامت های 2، 4 و 6 میلی متر در دو دمای 50 و 70 درجه سانتی گراد و در دو سرعت هوای گرم یک و 1/4 متر بر ثانیه تا رسیدن به محتوای رطوبتی 10 درصد بر پایه تر انجام شد. تصویربرداری پس پراکنش نور لیزر در فواصل زمانی سی دقیقه طی فرآیند خشک کردن انجام گردید. پس از تحصیل تصاویر پس پراکنش، آزمون های مخرب بر روی نمونه ها برای تعیین محتوای رطوبت ترپایه، محتوی مواد جامد محلول، چروکیدگی، دانسیته ظاهری و سفتی بافت ورقه های سیب انجام شد. جهت یافتن مناسب ترین روش قطعه بندی تصاویر از قابلیت انطباق پروفیل های شدت نرمال شده تصاویر با معادله فیزیکی و بنیادی حاکم بر انتشار نور در اطراف نقطه برخورد در بافت های بیولوژیکی، استفاده شد و روش قطعه بندی اولین نقطه عطف برای تعیین آستانه پایین برای جداسازی پس زمینه از ناحیه پس پراکنش مناسب تر از روش اوتسو شناخته شد. ضرایب جذب و پراکنش کاهش یافته که بهترین پارامترهای مشخص کننده خواص نوری محصول می باشند با استفاده از مدل تئوری پخش شدگی فارل استخراج و روند آن ها طی خشک کردن، مورد بررسی قرار گرفت. روش های پردازش تصویر مختلف مبتنی بر تحلیل های شدت و بافت برای استخراج ویژگی از تصاویر پس پراکنش استفاده شد و زمان لازم برای استخراج ویژگی ها توسط روش های مختلف، مورد تجزیه وتحلیل قرار گرفت. سپس از مدل-های شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره با استفاده از ویژگی های استخراج شده مذکور به صورت جداگانه برای هر روش و هر طول موج و نیز در ترکیب باهم و حالت های چندطیفی برای ایجاد همبستگی بین خواص کیفی و ویژگی های مذکور استفاده شد. طول موج های مادون قرمز نزدیک کارایی بیشتری نسبت به طول موج مرئی مورداستفاده در این پژوهش در پیش بینی خواص کیفی ورقه های سیب طی فرآیند خشک کردن داشت. بالاترین ضریب همبستگی وکمترین مجذور میانگین مربعات خطا، توسط مدل شبکه عصبی مصنوعی حاصل از ویژگی های آماری شدت تصاویر پس-پراکنش با دو نورون در لایه مخفی، در پیش

تعیین کیفیت شخم در حین خاکورزی با امکان تنظیم پارامترهای مربوطه، این امکان را فراهم می کند که با کمترین هزینه، به شخمی با کیفیت مطلوب دست یافت. هدف از فاز اول، ابداع الگوریتمی با استفاده از پردازش تصاویر بود که قابلیت تفکیک 9 اندازه کلوخه مختلف را دارا باشد. تصویربرداری ها در سه ارتفاع مختلف اخذ گردید. ویژگی های بافتی از تصاویر خاک شخم خورده با چهار روش آماره های درجه ی اول هیستوگرام ، ماتریس هم رویدادی، ماتریس طول گام و الگوی محلی دودویی استخراج گردید. انتخاب ویژگی بوسیله روش CfsSubsetEval انجام گرفت. شبکه های با توپولوژی 1-19-19، 1-22-14 و 1-20-17 نورون، بهترین عملکرد طبقه بندی را به ترتیب در ارتفاع های 60، 80 و 100 سانتی متری ارائه کردند. بهترین صحت کلی کلاسیفایر شبکه عصبی از تصاویر مربوط به ارتفاع 60 سانتی متر بدست آمد (04/72%). تکنیک حاضر در تخمین قطر متوسط وزنی توده های تا 35 میلی متر، از صحت بالاتری برخوردار بوده (80%) و ازاین جهت، در ماشین های خاکورزی ثانویه ی نرخ متغیر توصیه می شود. در فاز دوم، به اندازه گیری رطوبت خاک، با هدف توسعه روشی غیرتماسی با استفاده از پردازش تصویر و هوش مصنوعی پرداخته شد. آزمایشات مربوطه در گستره ی رطوبتی 6 الی 21% با سه نوع بافت خاک، شامل نیمه سنگین، متوسط و سبک و سه سطح ماده آلی، شامل 0، 1/0 و 2/0 وزنی انجام گردید. در مرحله استخراج ویژگی های رنگی از 7 فضای رنگی و برای کاهش ابعاد، از مقایسه ی میانگین ها و رگرسیون چندمتغیره گام به گام استفاده شد. علاوه بر مدل عمومی، 12 مدل دیگر به تفکیک بافت و ماده آلی توسعه داده شدند. پیش بینی رطوبت خاک با دو روش ANFIS و رگرسیون چندگانه گام به گام انجام شد. نتایج نشان دادکه دو مدل رنگی RGB و RGB نرمال، دارای بیشترین ویژگی های موثر در پیش بینی رطوبت خاک بوده اند. در مدل عمومی، بهترین عملکرد ANFIS با تابع عضویت ورودی نوع زنگوله ای و تعداد 5 عدد، تابع عضویت خروجی خطی و روش بهینه سازی هیبرید بدست آمد (957/0= r و 440/1=RMSE). طبق نتایج بدست-آمده، مدل عمومی رطوبت خاک را با خطای زیر 1/1% رطوبت پیش بینی کند. این مقدار برای برخی از مدل های تفکیک شده به زیر 3/0% نیز می رسید. ضریب همبستگی مدل عمومی حاصل از رگرسیون چندمتغیره گام به گام 918/0 بود. همچنین مشخص شد که در 11 مدل از 13 مدل موجود، تمامی شاخص های عمل

آردی شدن شاخص کیفی نامطلوبی است که در برخی میوه ها از جمله سیب اتفاق می افتد. شناسایی سیب های آردی از روی ویژگی های ظاهری امری غیرممکن است. از این رو بکارگیری روش های غیرمخرب نوری همواره مورد توجه محققان بوده است. در تحقیق حاضر از تکنیک نوری بایواسپکل به عنوان یک روش جدید در تشخیص آردی شدن میوه سیب رقم رددلیشس استفاده شد. برای این منظور تعداد 760 عدد سیب مورد آزمایش قرار گرفت. نمونه های سیب به دو دسته 540 و 220 عددی تقسیم شدند. دسته اول به مدت 5 ماه تحت شرایط سردخانه ای (oC 1 ± 0 و رطوبت نسبی 5 ± 85 درصد) نگهداری شدند و در روزهای صفر، 30، 60، 120 و 150ام انبارداری مورد آزمایش قرار گرفتند. از طرف دیگر برای تسریع شدت آردی شدن، نمونه-های دسته دوم به مدت 10 و 26 روز تحت شرایط دمایی oC 20 و رطوبت نسبی 95 درصد قرار گرفتند. تصاویر بایواسپکل از نمونه های سیب در دو طول موج 680 و 780 نانومتر بطور جداگانه و به مدت 25 ثانیه تحصیل شد. دو دسته ویژگی کلی شامل ویژگی های مرسوم بایواسپکل و ویژگی های مبتنی بر بافت از تصاویر استخراج شد. سپس نمونه ها تحت آزمون مخرب فشار مقید قرار گرفتند و شاخص های مکانیکی همچون سختی، آب آزاد شده، ماکزیمم نیرو، مساحت زیر نمودار بارگذاری، و مساحت زیر نمودار باربرداری از نمودار نیرو-جابه جایی استخراج شد. با استفاده از شاخص های سختی و آب آزاد شده نمونه های سیب به سه دسته تازه، نیمه آردی و آردی تفکیک شد. در نهایت مدل های رگرسیونی مبتنی بر روش حداقل مربعات نسبی و شبکه های عصبی مصنوعی به منظور پیش گویی شاخص های مکانیکی و دسته بندی سیب ها توسعه داده شد. بهترین نتایج در پیش گویی شاخص های مکانیکی و دسته بندی سیب ها برای مدل شبکه های عصبی مصنوعی مبتنی بر ویژگی-های بافت بدست آمد. مزیت عمده این مدل ها عملکرد قابل قبول آن ها در زمان تصویربرداری 1 ثانیه بود. بهترین ضرایب همبستگی در زمان تصویربرداری 1 ثانیه برای شاخص های سختی، آب آزاد شده، ماکزیمم نیرو، مساحت زیر نمودار بارگذاری و مساحت زیر نمودار باربرداری بترتیب 71/0، 71/0، 78/0، 65/0 و 76/0 بود که در طول 680 نانومتر حاصل شد. همچنین دقت های شناسایی 84/89، 51/68 و 45/85 درصد بترتیب برای سیب های تازه، نیمه آردی و آردی در طول 680 نانومتر و برای زمان تصویربرداری 1 ثانیه بدست آمد.

رادیاتوریکی از اجزای کلیدی سیستم خنک کاری موتور می باشد که نقش به سزایی در تامین دمایمطلوب موتور در شرایط کاریمختلف را دارا می باشد. با توجه به اهمیت سیستم خنک کاری در بهبود عملکرد و بازدهی بهتر موتور، عمر قطعات موتور و از کارافتادگی ناگهانی موتور، پایش وضعیترادیاتور جهت استفاده از سطح بهینه انتقال حرارت از جمله مباحث مهم در زمینه پایش وضعیت موتور محسوب می گردد. در این تحقیق یک سامانه مبتنی بر فناوری های گرمانگاری و پردازش تصویر برای تشخیص و طبقه بندی عیوب مختلف رادیاتور توسعه داده شد. ابتدا عیوب متداول در رادیاتور های سیستم خنک کاری شامل؛ گرفتگی لوله های رادیاتور، گرفتگی شبکه رادیاتور، اتصالات شل بین لوله ها و شبکه رادیاتور، نشتی مایع خنک کاری، خرابی درب رادیاتور ایجاد گردید. سپس به منظور تشخیص عیوب مختلف رادیاتور، از شرایط مختلف رادیاتور معیوب و سالم در سه سطح دمایی سیال خنک کاری (70، 80 و 90 درجه سلسیوس)، سه سطح دبی جریان سیال خنک کاری در حال گردش (40، 55 و 70 لیتر بر دقیقه) و دو سطح سرعت هوای عبوری از شبکه رادیاتور (2 و 3 متر بر ثانیه) تصاویر گرمایی توسط یک سامانه گرمانگاری فروسرخ تهیه شد. در ابتدا ضریب گسیلندگی رادیاتور مسی-برنجی برابر 97/0 تعیین گردید. پس از پیش پردازش تصاویر گرمایی تهیه شده جهت تجزیه و پردازش چند دقتی از تصاویر مذکور تبدیل موجک در یک سطح تجزیه استفاده گردید. از هر کدام از تصاویر گرمایی مقیاس خاکستری، تصاویر تقریب ، جزییات افقی، عمودی و قطری تبدیل موجک آن تصویر، ویژگی های بافت شامل؛ میانگین، انحراف معیار، همواری، چولگی، انرژی و آنتروپی استخراج گردید. سپس با تلفیق تکنیک های هوشمند نظیر ترکیب های؛ الگوریتم ژنتیک و شبکه های عصبی مصنوعی، الگوریتم ژنتیک و ماشین بردار پشتیبان، الگوریتم ازدحام ذرات و شبکه های عصبی مصنوعی، الگوریتم ازدحام ذرات و ماشین بردار پشتیبان به عنوان سامانه های پیشنهادی جهت انتخاب ویژگی و ورودی های موثر به طبقه بند استفاده شد. از تحلیل مولفه های اصلی برای کاهش ویژگی های مستخرج شده و یا ویژگی های منتخب استفاده شد. در نهایت، از شبکه های عصبی پرسپترون چند لایه، ماشین بردار پشتیبان و سامانه استنتاج فازی-عصبی به عنوان طبقه بند برای طبقه بندی تصاویر گرمایی با استفاده از بردار ویژگی های مستخرج و ویژگی های منتخب استفاده گردید. برای ارز

اهمیت کیفیت محصولات کشاورزی از قبیل میوه و سبزیجات برای تولیدکنندگان و مصرف کنندگان در دنیای امروز بر کسی پوشیده نیست. از این رو ارزیابی کیفیت این نوع محصولات، از فعالیت های تاثیرگذار در عرصه تجارت، اقتصاد و سلامت جوامع می باشد. در همین راستا نیاز به روش های نوین در اندازه گیری کیفیت، روز به روز بیشتر می شود. از میان این تکنیک ها، آزمون های غیرمخرب بیشتر مدنظر است. این روش ها بسیار مطلوب می باشند و نسبت به روش های مخرب سریع تر و اقتصادی تر هستند. این مطالعه به امکان سنجی پیش گویی میزان سفتی و مواد جامد حل شدنی یک رقم میوه هلو به صورت غیرمخرب با استفاده از روش تصویربرداری بر پایه ی نور لیزر که تکنیکی نوین جهت بررسی و پیش گویی شاخص های اصلی کیفیت محصولات کشاورزی می باشد، پرداخته است. بدین منظور، سیستمی جهت اخذ تصاویر پس پراکنش شامل دو دیود لیزری با طول موج های 532 و 650 نانومتر، طراحی و ساخته شد. با استفاده از تکنیک های پردازش تصویر، اطلاعات لازم برای ساخت مدل های کالیبراسیون از تصاویر اخذ شده بدست آمد. مدل های کالیبراسیون با روش های رگرسیون خطی، رگرسیون غیرخطی، رگرسیون حداقل مربعات جزیی و شبکه های عصبی مصنوعی برازش شدند. با ارزیابی مدل ها، بهترین آن ها انتخاب و مدل های ترکیبی بر اساس مدل های برتر بدست آمدند. در پایان، مدل های ترکیبی توانستند شاخص های سفتی و مواد جامد حل شدنی را به ترتیب با ضرایب همبستگی 0/89 و 0/65 برای طول موج 650 نانومتر پیش گویی کنند.

بادام یکی از محصولات مهم از لحاظ تغذیه ای و اقتصادی در ایران می باشد که سالانه ارزش اقتصادی بالایی برای کشور حاصل می نماید. از نظر تولید جهانی بر اساس آمار فائو، کشور ایران در رتبه سوم تولید جهانی این محصول قرار دارد. بر این اساس، هدف از این تحقیق؛ ارائه روشی نوین و غیرمخرب مبتنی بر فناوری بینایی ماشین، تکنیک پردازش تصویر و روش شبکه های عصبی مصنوعی، به منظور درجه بندی کیفی محصول بادام به پنج کلاس مختلف: بادام سالم، شکسته، دوقلو، چروکیده و پوست بادام می باشد. مراحل مربوط به پیاده سازی روش پیشنهادی از سه بخش اصلی شامل؛ قطعه بندی تصویر، جداسازی بادام های به هم چسبیده و طبقه بندی کیفی محصول تشکیل شده است. به منظور قطعه بندی تصاویر از روشی تلفیقی مبتنی بر تکنیک های پردازش تصویر و شبکه های عصبی مصنوعی استفاده گردید. مقادیر سه شاخص آماری حساسیت، اختصاصی بودن و دقت برای قطعه بندی تصاویر به ترتیب برابر 96/66، 99/25 و 98/81 درصد بوده است که نشان دهنده مناسب بودن این روش در جداسازی بادام از زمینه می باشد. در گام بعدی، الگوریتم پیشنهادی با موفقیت توانست بادام هایی که در تصاویر باینری به یکدیگر چسبیده بودند را از یکدیگر جداسازی نماید. بر این اساس مقادیر شاخص دقت جداسازی، توسط روش پیشنهادی برای کلاس هایی شامل دو، سه، چهار و بیش از چهار بادام به هم چسبیده به ترتیب برابر 96/29، 92/05، 90/00 و 91/30 درصد بدست آمد، سرانجام ویژگی های مبتنی بر شکل، رنگ و بافت از نمونه های بادام استخراج گردید و پس از انتخاب ویژگی های برتر توسط روش آنالیز حساسیت و کاهش ابعاد آن ها توسط تکنیک آنالیز مولفه های اصلی؛ ساختارهای مختلفی از شبکه های عصبی مصنوعی طراحی و مورد ارزیابی قرار گرفتند. در میان آن ها ساختار 5-7-7-18 مناسب ترین ساختار بوده و توسط آن، محصول بادام به پنج کلاس شامل بادام های سالم، شکسته، دوقلو، چروکیده و پوست بادام طبقه بندی گردید. میانگین مقادیر حساسیت، اختصاصی بودن و دقت برای این پنج طبقه نیز به ترتیب برابر 97/73، 99/33 و 99/14 درصد بوده است.

برنج از مهمترین غلات و اقلام غذایی جهان می باشد. نیمی از مردم جهان به برنج به عنوان یک غذای اصلی وابسته هستند. برنج غذای اصلی مردم آسیا و منبع اصلی پروتئین است. تنها در آسیای جنوبی، غذای اصلی 80% مردم ،برنج می باشد. پردازش تصویر، تکنولوژی تهیه و آنالیز تصاویر یک صحنه واقعی به وسیله کامپیوتر در راستای کسب اطلاعات یا کنترل یک پروسه است. نمونه بارز کاربرد پردازش تصویر، صنایع غذایی است. می توان با کمک بینایی ماشین، خصوصیات تصویر را استخراج نمود و از آن برای تشخیص و شناسایی کیفیت انواع محصولات استفاده کرد. روش های سنتی ارزیابی حسی در تعیین کیفیت مواد غذایی کاربرد زیادی دارند ولی این روش ها زمانبر و پرهزینه هستند. همچنین شرایط فیزیکی انسان مثل خستگی یا حتی شرایط روحی می تواند بر نتیجه کار تاثیرگذار باشد این عوامل سبب ایجاد انگیزه برای توسعه روش های جانشین است که در زمان کمتر و با دقت بیشتر خصوصیات کلیدی محصول را ارزیابی کنند. در سال های اخیر پژوهش های محدودی به منظور کیفیت سنجی و درجه بندی برنج با استفاده از فناوری بینایی ماشین انجام شده است. هدف از این پایان نامه، ارائه یک سیستم تشخیص ارقام و اصالت برنج با دقت بالا و کارامد می باشد. این پایان نامه به سه بخش اصلی تقسیم شده است. در بخش اول و دوم، تشخیص ارقام برنج به صورت دانه ای و توده ای مورد بررسی قرار گرفته اند. بخش سوم پایان نامه نیز، به بحث اصالت سنجی برنج می پردازد. منظور از اصالت سنجی برنج، تشخیص برنج اصل از ترکیبی می باشد. گام های تشخیص دانه ای ارقام برنج شامل تصویربرداری، قطعه بندی، استخراج ویژگی، انتخاب ویژگی و طبقه بندی می باشد. بعد از قطعه بندی، از هر دانه ی برنج سه نوع ویژگی شکلی، رنگی و بافتی استخراج شده است. با استفاده از چهار الگوریتم انتخاب ویژگی، ویژگی های برتر پیدا شدند. این ویژگی ها، ورودی شش طبقه بندی کننده بودند. بهترین ترکیب بین روش های انتخاب ویژگی و طبقه بندی کننده ها، مربوط به ویژگی های انتخاب شده توسط الگوریتم رقابت استعماری و ماشین بردار پشتیبان بود که به دقت بیش از 95 درصد رسید. سپس با استفاده از ویژگی های انتخاب شده توسط الگوریتم رقابت استعماری و چهار طبقه بندی کننده، یک طبقه کننده ی ترکیبی مورد استفاده قرار گرفت. تکیه اصلی در تشخیص توده ای ارقام برنج، بر اساس استخراج ویژگی های بافتی استوار اس