پروفایل استاد - دانشگاه بوعلی سینا همدان

پروفایل استاد - دانشگاه بوعلی سینا همدان

P.H.D dissertations

امکان سنجی استفاده از پرنده های چندروتوره در طراحی و ساخت ربات همیار باغبان: مطالعه موردی درخت گردو
2020
درختان گردو با سطح 120000 هکتار در کشور در معرض آفات و بیماری ها قرار دارند و هر ساله خسارت بالایی به این باغات وارد می شود. مدیریت مبارزه با بیماری درختان مستلزم تشخیص و تعیین میزان شیوع و ثبت نقشه آلودگی در هر مرحله از مبارزه است. فن آوری ربات های چندروتوره امکان دسترسی و تصویربرداری در زوایای مختلف از درختان را فراهم نموده است و با پردازش تصویرهای گرفته شده توسط این ربات های پرنده ثبت نقشه آلودگی امکان پذیر است. خستگی ناپذیری، ایمنی، افزایش دقت و کاهش مصرف مواد شیمیایی از دیگر مزیت های استفاده از ربات برای سمپاشی و تصویربرداری است. هدف از انجام این پژوهش تعیین کلیات چالش ها، فرصت ها، توانایی ها و محدودیت های فن آوری بود تا یک راهبرد پژوهشی برای طراحی و ساخت سامانه رباتیک تشخیص، تهیه نقشه و سمپاشی باغات گردو ارائه شود. الگوی حرکت و پایش درختان در باغ طراحی شد، بر اساس این الگو یک ربات نقلیه زمینی در بین ردیف درختان حرکت و ربات پرنده را به نقاط از پیش تعیین شده می رساند سپس ربات پرنده به صورت عمودی پرواز کرده و کار تصویربرداری و سمپاشی را در مسیرهای مشخص انجام می داد. یک ربات هگزاروتور طراحی و ساخته شد که به صورت خودکار مسیرهای تعیین شده را طی می کرد. در ارزیابی فرود ربات پرنده، دقت مکان یابی، مقدار انحراف معیار و خطای ضریب پراکندگی به ترتیب 35/75، 73/32 و 10/50 سانتیمتر به دست آمد. همچنین حداقل شعاع صفحه مورد نیاز برای فرود این ربات 134 سانتیمتر به دست آمد. در راستای اصلاح خطای موقعیت یابی و افزایش دقت پرواز و فرود هگزاروتور یک روش برای هدایت خودمختار پرنده ارائه شد. در این پژوهش طرح جدیدی برای حمل شیلنگ سمپاشی یا دوربین ارائه شد. در این طرح واحدهای کوچک اکتاروتور به هم متصل و یک بالابر عمودی را تشکیل دادند. تعادل و ایستایی این اکتا روتورها شبیه سازی گردید و بیشینه گشتاور قابل تحمل متناسب با نیروی بالابری روتورها بدست آمد. امکان استفاده در هر نقطه ای از باغ با توجه به سطح مقطع کوچک ، حذف محدودیت مداومت پروازی و محدودیت میزان حمل محلول سم، هزینه ساخت کمتر نسبت به دیگر چندروتوره ها و دقت بالای پایش و سمپاشی نقطه ای از مزایای استفاده از طرح ابتکاری ارائه شده بود.برای بررسی تشخیص میوه گردو، بیماری آنتراکنوز و آفت کنه گالزا از سطح درختان و در شرایط طبیعی تعدادی تصویر ب
طراحی، ساخت و ارزیابی ربات سمپاش گلخانه
2019
وجود کارهای تکراری، سخت و طاقت فرسا و گاهی خطرناک در محیط گلخانه همچون سمپاشی و برداشت، استفاده از ربات را در گلخانه ضروری نموده است. ساختار مکانیکی و ناوبری (مسیریابی) ربات دو پارامتر مهم در طراحی و ساخت ربات های گلخانه هستند. در این رساله یک ربات سمپاش متحرک چهار چرخ محرک با مکانیزم فرمان گیری از نوع دیفرانسیلی طراحی و ساخته شد. سپس ناوبری ربات در سطوح مختلف و محیط گلخانه ارزیابی شد. الگوریتم ناوبری ربات بر اساس یادگیری مسیر بود. بدین صورت که ابتدا مسیر مورد نظر به ربات آموخته می شد، سپس ربات به صورت خودکار این مسیر را طی می کرد. دقت ناوبری ربات در جنس سطوح مختلف (سرامیک، بتون ،خاک متراکم و خاک نرم ) مورد آزمایش قرار گرفت و مقدار انحراف ربات با استفاده از شاخص آماری ریشه میانگین مربعات خطا(RMSE) محاسبه شد. پس از بررسی دقت ناوبری ربات، یک دستگاه سمپاش بر روی شاسی نصب و سپس مورد ارزیابی قرار گرفت. نتایج نشان داد که RMSE انحراف ربات در مسیر مستقیم به طول 20 متر در سطوح سرامیکی، سیمانی، خاک متراکم و خاک نرم به ترتیب 3/4، 8/2 ،6/4 و8 سانتی متر و در مسیر مربع شکل4×4 متر، 6/6، 5/5، 1/13 و1/47 سانتی متر بدست آمد. برای سمپاشی هوشمند در محیط گلخانه، شناسایی و پایش آفات از طریق کارت های چسبان زرد رنگ و برگ با کمک پردازش تصویر انجام شد. به کمک روش ماتریس اغتشاش، دقت الگوریتم پیشنهادی بررسی شده که این مقدار برابر با 65/94 و 92/88 درصد به ترتیب برای شناسایی سفید بالک و تریپس از طریق کارت های چسبان زردرنگ محاسبه شد. همچنین الگوریتم پیشنهادی با دقت 29/95 و خطای 71/4- درصد قادر به شناسایی و شمارش سفید بالغ از روی برگ بود. نتایج ارزیابی عملکرد واحد سمپاش ربات نشان داد که واحد سمپاش قادر به کنترل 7/71 درصدآفت شد. همچنین کارآیی سمپاش در کنترل آفت در قسمت های بالایی محصول بیشتر بوده است که این نتیجه با توجه به ساختار واحد سمپاش( که از یک دستگاه سمپاش میکرونیر استفاده شده است ) قابل درک است.
شبیه سازی، طراحی و ساخت خشک کن خلأیی پاششی با ریز ذره ساز آلتراسونیک به منظور تولید پودر از عصاره ریشه کاسنی و برگ کنگرفرنگی و تعیین برخی خصوصیات مورفولوژیکی پودرها بر اساس پردازش تصویر دیجیتال
2018
در این پژوهش از خشک کن خلأیی پاششی با ریز ذره ساز آلتراسونیک به منظور تولید پودر خشک از عصاره یریشه کاسنیوبرگکنگرفرنگی استفاده شد. روند خشک کردن در یک محفظه خشک کن خلأ و در دمایی پایین ترازدمایخشک کن-هایپاششیمعمولیانجامشد. قبلازطراحی و ساخت دستگاه مورد نظر به منظور ارزیابی و امکان سنجی طرح جدید با محفظه خلأ، محفظه خشک کن با دینامیک سیالات محاسباتی با استفاده از نرم افزار ANSYS CFX 16.0و مدل های ریاضی، شبیه سازی عددی شد. این روش به منظور تکمیل عمل طراحی و ارائه تصورات جزئی ترودقیق ترازپدیده های داخل محفظه خشک-کنایجادشد. جهتبررسیاستقلالجواب هاازشبکه، چهار شبکه با اندازه هایمختلف و تعداد سلول های 700000، 1200000، 2500000 و 5000000تولیدشد. با توجه به نتایج به دست آمده از شبیه سازیاستقلالشبکهدرخطوطجریان،توزیعسرعتودمابرایچهارشبکهدر-نظر گرفته شده در این پژوهش،شبکهسومباتعدادسلول 2500000 با 68/6 درصد خطای میانگین نسبتبهنتایجآزمایشیبرایمدل-سازیمناسب ترازسایرشبکه هابود.مدل سازی جریان در دو حالت آرام و توربولانسی انجام و مورد مقایسه قرار گرفت، به طوری که مدل سازی آرام با درصد خطای میانگین 72/6 درصد به نتایج حاصل از آزمایشات نزدیکتر بود. با توجه به نتیجه بهینه از مدل-سازیجریان،شبیه سازیبهدوصورتیکطرفه (one-way)و دوطرفه یا تعامل کامل(fully coupled)نیز انجام شدکه با در نظر گرفتن حالت fully coupled در مدل سازی فرآیند خشک کنخلأییپاششیبه طورمیانگین 78/92 درصدبانتایج حاصل از آزمایشات مطابقت داشت.در نهایت با اعتبارسنجیو مقایسهنتایج بهینه حاصل از مدل سازیتوزیع دما، سرعت و فشار پیش بینی شده با مقادیر اندازه گیری شده آن ها،درصدخطای اندکی به ترتیب9/5 درصد، 16/10 درصد و 82/5 درصد حاصل شد. بهینه سازی فرآیند خشک کردن تحت شرایط عملیاتی مختلف از خشک کنخلأیی پاششی انجام شد. بهینه سازی با روش سطح پاسخ و به کمک نرم افزاردیزاین اکسپرت انجام گرفت. برای هر آزمایش، پارامترهای خواص کاربردی (محتوای رطوبتی و اندازه ذرات)، خواص توده ای (چگالی توده ای، چگالی حاصل از ضربه و جریان پذیری)، خواص بازسازی (ترشوندگی، پراکندگی و حلالیت) و خواص شیمیایی (محتوای فنل کل، محتوایفلاونوئید کل و فعالیت مهار رادیکال آزاد DPPH) اندازه گیری و ارزیابی شد. به منظور انجام آزمایشات، از سه سطح دمایی 55، 65 و 75 درجه سلسیوس، سه سطح

Master Theses

بهره گیری از روش های مختلف هوش مصنوعی در تشخیص ارقام مختلف نخود و میزان ناخالصی های آن
2023
چکیده: محصول نخود به دلیل شرایط خاص برداشت دارای چندین نوع ناخالصی است که بعضی از آن ها مانند کاه، سنگریزه ها، علف های هرز و سایر ناخالصی دیگر که دارای اختلاف اساسی در وزن یا ابعاد هستند، به راحتی توسط بعضی از روش های مکانیکی از محصول اصلی جدا می شوند. ولی در مقابل، ناخالصی هایی مانند سنگ یا کلوخ هم اندازه نخود، نخودهای لپه شده و مخصوصا نخودهای نارس به سختی در فرآیند جداسازی از محصول جدا می شوند و در نتیجه باعث کاهش کیفیت و قیمت تمام شده محصول می شوند. لذا جداسازی این نوع ناخالصی ها یکی از چالش های اصلی در حوزه فرآوری محصولات کشاورزی است که در این پژوهش سعی گردید با بهره گیری از الگوریتم های نوین هوش مصنوعی این نوع ناخالصی ها شناسایی و از محصول اصلی تفکیک شوند. از طرفی شناسایی و انتخاب رقم مناسب نخود برای کشاورزان و محققان از اهمیت ویژ ه ای در هنگام کاشت یا اصلاح آن ها برخوردار است که بدین منظور در هدف دوم تشخیص و طبقه-بندی رقم های مختلف محصول با یک شبکه عصبی کانولوشنی بررسی شد. در این تحقیق برای تشخیص و شناسایی ناخالصی ها از الگوریتم نوینYOLO-v5 استفاده شد. برای آموزش این الگوریتم 400 عکس برچسب گذاری شده از شش کلاس شامل نخود سالم، نخود نارس، لپه شده، سنگ و کلوخ، نخود سیاه و نخود قهوه ای تهیه شد. در گام دوم به منظور شناسایی رقم ها با بازسازی تصاویر، در کل 3000 تصویر ایجاد گردید و از یک الگوریتم معروف شبکه کانولوشنی VGG-19 به عنوان الگوریتم از پیش آموزش دیده شده استفاه شد. برای ارزیابی عملکرد مدل YOLO-v5 از پارامترهای ارزیابی صحت، حساسیت، دقت، F1-Score و mAP استفاده شد. نتایج حاصل از شناسایی ناخالصی ها نشان دادن که با استفاده از الگوریتم YOLO-v5، شش کلاس سالم و ناخالصی های دیگر به طور کامل و با دقت بالایی شناسایی و از هم بخوبی متمایز شدند. مقدار mAP-50برای همه کلاس ها بالاتر از ٪99 بدست آمد. همچنین مقدار mAP-50:95 برای همه کلاس ها بین 68 الی77٪ حاصل شد. با توجه به نزدیک بودن این ضریب برای تمامی کلاس ها، می توان گفت که مدل مذکور در شناسایی کلاس های مختلف بسیار موفق عمل کرده است. همچنین نتایج حاصل از شناسایی شبکه VGG-19 نشان داد که علی رغم نزدیکی بسیار زیاد ظاهری رقم ها به یکدیگر، این شبکه لایه عمیق توانایی نسبتا بالایی در شناسایی الگوهای مختلف دارد و می توان از این شب
اثر شدت نور در کاهش بار محاسباتی یادگیری عمیق به منظور قطعه بندی تصویر حاوی گوجه فرنگی روی بوته
2023
چین با تولید سالانه بیش از 65.15 میلیون تن، بزرگترین تولید گوجه فرنگی در جهان است که یک سوم تولید جهانی گوجه فرنگی را به خود اختصاص می دهد.یکی ازمشکلات اصلی درتولیدگوجه فرنگی نیاز به نیروی کارانسانی جهت برداشت این محصول می باشد امروزه روش های رباتیک درحال جایگزین شدن با نیروی انسانی جهت برداشت محصول می باشندویکی از اصلی ترین قسمت های برداشت رباتیک بخش تشخیص وارزیابی گوجه فرنگی و انتخاب هدف مطلوب می باشدبرای تشخیص محصول الگوریتم ها و روش های بسیار متنوعی وجود دارد ما در این پژوهش از شبکه عصبی YOLOv5استفاده کرده ایم که نسبت به نسخه های دیگر YOLOسرعت بالاتری دارد وفرایند محاسبات این نسخه کوتاه تر و کم حجم تر می باشددراین پژوهش هدف اصلی ما مشخص کردن بهترین شدت نورجهت آموزش شبکه و شناسایی گوجه فرنگی ها درهر تصویر همراه با کمترین زمان (بار محاسباتی) می باشد دراین پژوهش ما از سه رزولویشن 320و640و960استفاده کرده ایم که با افزایش رزولویشن نتایج آموزش ،mApافزایش و تعداد نمونه های تشخیص داده شده در هر تصویر افزایش می یابدبرای مثال در شدت نور 2423لوکس ودررزولویشن 320 mAp50میزان 76درصد میباشد ولی در رزولویشن 960mAp50 میزان 83درصد میباشدکمترین زمان برای تشخیص وشناسایی گوجه فرنگی های یک تصویردر رزولویشن 320ساعات 10و12 با 9/8 msمی باشندوکمترین بار محاسباتی را دارا می باشدوبالا ترین میزان mApمتعلق به رزولوشن 960ساعت 8میباشدکمترین میزان mApنیز متعلق به رزولویشن 960ساعت 8صبح می باشدمی توان گفت بهترین عملکرد را در سه رزولویشن ساعت 10 با 2423لوکس دارا می باشد
جداسازی فندق های با مغز پوسیده و ناسالم از نمونه های سالم با بهره گیری از روش یادگیری عمیق بر مبنای پردازش تصاویر
2023
فندق یکی از خشکبارهای با ارزش و شناخته شده در جهان است که دارای ارزش غذایی بالایی است و نقش مهمی در سلامتی انسان ها دارد. از جنبه اقتصادی نیز جز محصولات با ارزش افزوده بالا در صنعت صنایع غذایی است و مورد توجه بسیاری از کشورهای جهان قرار گرفته است. ایران در بین کشورهای عمده تولیدکننده این محصول در رتبه 8 قرار دارد و پتانسیل بالایی در تولید این محصول دارد. تولید این محصول و فرآوری آن برخلاف بسیاری از کشورهای توسعه یافته، در ایران بیشتر به شکل سنتی و با فن آوری های سطح پایینی انجام می شود. نبود فرآیند صنعتی مدرن و مناسب برای خشک کردن و کم بودن انبارهای مجهز نگهداری محصول، باعث شده که کشاورزان یا باغداران این محصول را به روش سنتی خشک کرده و سپس در انبار و بعضا در داخل کیسه ها نگه داری کنند تا بتوانند آن را در زمان دیگری فرآوری و به بازار عرضه کنند. نگه داری محصول در شرایط غیر استاندارد و در صورتی که با رطوبت نگهداری شود، رطوبت به درون پوسته نفوذ می کند و باعث خراب شدن، قارچ زدگی و کپک زدگی در بخشی از فندق ها می شود. وجود قارچ در داخل نمونه ها باعث کاهش شدید ارزش محصول شده و ضررهای خیلی زیادی به تولید کننده ها یا عرضه کننده های آن وارد می کند و از طرفی امکان صادرات آن نیز دیگر وجود نخواهد داشت. وجود این نوع قارچ در داخل محصول باعث تغییر رنگ جزئی در سطح بیرونی پوسته سفت محصول می گردد و بدین روش امکان شناسایی آن ها قبل از عملیات شکستن پوسته و یا فروش آن وجود دارد. بنابراین هدف اصلی این پژوهش استفاده از الگوریتم شبکه عصبی کانولوشنی است که بتواند بر پایه پردازش تصویر با قابلیت بالایی این تغییرات جزئی رنگ یا الگو های سطح خارجی پوسته را متوجه شده و دسته بندی محصول را انجام دهد. در این پژوهش با استفاده از دو رویکرد یادگیری عمیق، شناسایی نمونه های خراب از سالم بررسی و تحلیل شد. در رویکرد اول با استفاده از روش یادگیری انتقال و بهره گیری از دو مدل مشهور از پیش آموزش دیده شده با تصاویر پایگاه ایمیج نت (ImagNet)، بنام های VGG-19 و Inception-v3، عملیات طبقه بندی انجام شد و در رویکرد دوم با طراحی یک شبکه کانولوشنی پیشنهادی توانایی این شبکه در جداسازی نمونه ها مورد بررسی قرار گرفت. برای توسعه و ارزیابی مدل های یادگیری عمیق از کتابخانه کراس (Keras) استفاده شد و برنامه نویسی پایتون و آمو
اثر تغییر رزلوشن تصویر در کاهش بار محاسباتی یادگیری عمیق به منظور قطعه بندی تصویر حاوی گوجه فرنگی روی بوته
2023
گوجه فرنگی رتبه دوم را در مقدار برداشت کشت گلخانه ای دارد. مقدار برداشت و سطح زیر کشت این محصول طی 60 سال گذشته روندی کاملا صعودی داشته است. از این رو تحقیقات فرآوانی به منظور طراحی ربات برداشت این محصول صورت گرفته است. قسمت بینایی رایانه ای بخش مهمی از ربات های برداشت محصول را تشکیل می دهد. این قسمت از الگوریتم های پردازش تصویر به منظور تشخیص موقعیت گوجه فرنگی ها بهره می برد، اما وجود چالش هایی مانند: تغییرات روشنایی، همپوشانی گوجه فرنگی ها و شرایط پیچیده محیطی مانع تشخیص درست این محصول می گردد. برای حل مشکلات فوق استفاده از شبکه های عصبی مصنوعی بسیار متداول گردیده است. از این بین شبکه های Yolo عملکرد بسیار مناسبی را از نظر دقت و سرعت تشخیص ارائه می دهند اما هنوز از بار محاسباتی بالایی برای استفاده در کاربرد های رباتیک برخوردارند. ایده این پژوهش استفاده از رزلوشن تصویر بهینه برای آموزش و ارزیابی شبکه می باشد. رزلوشن بهینه، رزلوشنی است که در آن امر تشخیص از سرعت و دقت مناسبی برخوردار است. در این راستا مجموعه داده ای شامل 453 تصویر از گوجه فرنگی های نارس تا رسیده که به روی بوته قرار داشتند تهیه گردید. سپس تغییر رزلوشن تصاویر در هجده کلاس انجام گرفت. در ادامه تعداد پنج رزلوشن در شبکه Yolov3 و تعداد هجده رزلوشن در شبکه های Yolov5s و Yolov7-tiny از نظر دقت و سرعت تشخیص گوجه فرنگی ها مورد ارزیابی قرار گرفتند. همچنین رزلوشن های مورد بررسی دارای بازه 64*64 پیکسل تا 608*608 پیکسل بوده اند. نتایج بیان گر این مضوع است که بیش تر رزلوشن های مورد بررسی، دقت تغریبا برابری را ارائه می دهند اما از نظر زمان تشخیص یا بار محاسباتی اختلاف بالایی بین آن ها مشاهده می شود.
بهره‎ گیری از شبکه های عصبی در شناسایی و تشخیص علف هرز توق در توده دانه گندم
2022
علف های هرز به طور تصادفی و لکه ای در همه ی مکان ها حضور دارند و با گیاهان بر سر منابع رقابت می کنند و منجر به افت عملکرد می شوند. در مزارع گندم علف های هرز و افات مختلفی از جمله توق، چاودار، چچم و سن گندم و... وجود دارند. بعضی از این علف های هرز به دلیل جرم ویژه تقریبا هم اندازه با گندم و یا تشابه ظاهری زیاد با گندم، تا مرحله ی ذخیره سازی در انبار همراه گندم باقی می مانند. از آنجا که یکی از شاخص های کیفی و معیار بازارپسندی توده دانه گندم عدم وجود مواد زائد است، تشخیص و شناسایی این علف های هرز در توده دانه گندم برای خریداران گندم و مراکز بوجاری و کارخانه های آرد بسیار حائز اهمیت بوده و برای تعیین میزان افت مفید و غیر مفید و تعیین قیمت لازم است. در این تحقیق برای تشخیص و شناسایی علف های هرز رایج در مزارع و گندم های آفت زده از الگوریتم YOLOv5 استفاده شد. برای آموزش این الگوریتم 375 عکس برچسب گذاری شده که شامل 11کلاس (دانه سالم، دانه سن زده، دانه چروکیده، دانه چاودار، دانه شکسته، توق، سنگ و کلوخ، گیاهان سبز، کزل، دانه جو، ساقه) بود؛ تهیه و مورد استفاده قرار گرفت (75٪ برای آموزش، 15٪ برای ارزیابی، 10٪ برای تست). در نهایت برای ارزیابی عملکرد این مدل در شناسایی و مکان یابی علف های هرز موجود در تصویر از پارامترهای ارزیابی Precision ، Recall وmAP استفاده شد. نتایج نشان دادن که پنج کلاس (ساقه، دانه جو، کزل، گیاهان سبز، توق) به طور کامل و با دقت بالا به عنوان کلاس خودشان تشخیص داده شدند. همچنین مقدار 5/0 mAPبرای همه کلاس ها بین 6/88٪ - 5/99٪ شد. که بیشترین مقدار مربوط به کلاس ساقه، دانه جو، گیاهان سبز، سنگ وکلوخ است و کمترین مقدار برای کلاس دانه چروکیده می باشد. همچنین مقدار 5/0: 95/0 mAPبرای همه کلاس ها بین 5/65٪ - 8/81٪ به دست آمد که بیشترین مربوط به کلاس ساقه و کمترین مربوط به کلاس دانه چروکیده بود. با توجه به نتایج به دست آمده، به نظر می رسد الگوریتم YOLOv5 قابلیت بالایی در تشخیص و شناسایی علف های هرز گندم دارد و می توان از آن در ارائه یک سیستم هوشمند به صورت یک نرم افزار که قابلیت نصب در تلفن همراه را داشته باشد و یا در ارتباط با کامپیوتر درصد ناخالصی ها را ارائه کند استفاده کرد.
استفاده ازشبکه های عصبی کانولوشنی (CNN) درتشخیص خیارهای معیوب
2021
طبقه بندی خیار از لحاظ شکل ظاهری یکی از مراحل اصلی فرآوری این محصول است. هر چند دستگاه های مختلفی برای این کار ابداع و ساخته شده اند اما همه آنها در زمینه تفکیک و طبقه بندی محصول از نظر شکل و اندازه کاربرد دارند. بررسی کیفیت محصول در صنایع مربوط به تولید خیار شور به شکل دستی و سنتی انجام می شود که کاری سخت و زمان بر است. بهره گیری از الگوریتم های هوش مصنوعی به عنوان یک روش جدید و کارآمد می تواند جایگزین مناسبی برای روش های سنتی کیفی سنجی محصولات باشد. بنابراین استفاده از روش های سریع و نوین الگو یابی در پردازش تصویر و شناسایی کلاس های مختلف محصول خیار به کمک هوش مصنوعی از اهداف اصلی این پژوهش می باشد. در این تحقیق با بهره گیری از مهمترین روش هوش مصنوعی بنام یادگیری عمیق و ترکیب عملیات کانولوشن و شبکه عصبی، تشخیص الگو و یادگیری انجام گرفت. در تحقیق حاضر با بهره گیری از دو روش یادگیری انتقال و طراحی شبکه کانولوشنی پیشنهادی، الگوریتم مناسب برای طبقه بندی و شناسایی کلاس ها انجام گرفت. در روش یادگیری انتقال، از سه شبکه پیش آموزش دیده شده Inception-v3، VGG-19 و پیشنهادی استفاده گردید. در الگوریتم پیشنهادی با بررسی لایه ها و ساختارهای مختلف آن عملکرد مدل بررسی و با روش یادگیری انتقال مقایسه گردید. در بررسی عملکرد مدل ها از شاخص های ارزیابی حساسیت، صحت، دقت و شاخص f-score استفاده گردید. با توجه به نتایج، اگرچه تمامی مدل ها پتانسیل امیدوارکننده ای برای طبقه بندی سه کلاس مختلف خیار از خود نشان دادند. در مقایسه دو روش یادگیری انتقال با شبکه پیشنهادی، شبکه طراحی شده با تعداد پارامترهای کم و لایه های به مرتب کمتر توانست بهترین عملکرد را در طبقه بندی با دقت 91 درصد کسب کند.
بهره گیری ازشبکه های عصبی کانولوشنی (CNN) درتشخیص فندق های ناسالم و دهان بسته
2021
خندان کردن فندق به منظور استفاده آن در آجیل یکی از مراحل اصلی فرآوری این محصول است. هرچند دستگاه-های مختلفی برای این کار ابداع و ساخته شده اند اما به دلیل اندازه ها و شکل های مختلف این محصول، مقدار قابل توجهی از فندق ها در پروسه ترک زنی به صورت نیمه ترک یا بدون ترک از دستگاه خارج می شوند. تشخیص نمونه هایی با ترک های ریز و بدون ترک و تفکیک آن ها از نمونه های خندان، می تواند در جداسازی این محصول برای مراحل بعدی ترک زنی و کاهش تلفات مفید باشد. شناسایی ترک های خیلی ریز یا نمونه های بدون ترک توسط اپراتور کار وقت گیر، پرهزینه و طاقت فرسایی است. بنابراین استفاده از روش های سریع و نوین الگو یابی در پردازش تصویر و شناسایی کلاس های مختلف محصول فندق می تواند راهکار مناسبی در طبقه بندی این محصول باشد. در این پژوهش با بهره گیری از مهم ترین روش هوش مصنوعی بنام یادگیری عمیق و ترکیب عملیات کانولوشن و شبکه عصبی، تشخیص الگو و یادگیری انجام گرفت. در تحقیق حاضر با بهره گیری از دو روش یادگیری انتقال و طراحی شبکه کانولوشنی پیشنهادی، الگوریتم مناسب برای طبقه بندی و شناسایی کلاس ها انجام گرفت. در روش یادگیری انتقال، از سه شبکه پیش آموزش دیده شده Inception-v3، VGG-19، Resnet-50 استفاده گردید و در الگوریتم پیشنهادی نیز با بررسی لایه ها و ساختارهای مختلف آن عملکرد مدل بررسی و با روش یادگیری انتقال مقایسه گردید. در بررسی عملکرد مدل ها از شاخص های ارزیابی حساسیت، صحت، دقت و شاخص f-score استفاده گردید. با توجه به نتایج، اگرچه تمامی مدل ها پتانسیل امیدوارکننده ای برای طبقه بندی سه کلاس مختلف فندق از خود نشان دادند. از میان سه روش یادگیری انتقال، شبکه Inception v3 بهترین نتایج را با دقت 99 درصد و شاخص F-score، 98/0 ارائه داد ولی در مدل Resnet دقت 72 درصد و F-score، 71/0 به دست آمد. در الگوریتم پیشنهادی با استفاده از سه لایه کانولوشنی با تعداد فیلترهای به ترتیب 16، 32 و 64 در هر لایه و 64 نرون در لایه شبکه عصبی دقت 98/0 حاصل شد. در مقایسه شبکه های مختلف آموزشی، نتایج نهایی نشان داد که شبکه پیشنهادی از قابلیت خوبی در طبقه بندی سه کلاس داشته و می تواند جایگزین مناسبی برای طبقه بندی محصول باشد. حجم و تعداد پارامترهای کمتر در این شبکه باعث افزایش سرعت در شناسایی کلاس ها گردید. به طوری که مدت زمان آموزش
رد یابی نقطه بیشینه توان در پنل های خورشیدی با استفاده از منطق فازی و شبکه عصبی مصنوعی مبتنی بر الگوریتم های تکاملی
2019
شرایط آب وهوایی بر توان تولیدی پنلهای خورشیدی اثر گذار است و از میان آنها دما و شدت تابش بیشترین تاثیر را بر این مولفه از پنلها دارد. تغییرات دائمی دمای محیط و شدت تابش خورشید باعث تغییرمکان نقطه بیشینه توان پنلهای خورشیدی شده و به این ترتیب مانع از عملکرد سیستمهای خورشیدی با حداکثر بازده میشود. تغییرات توان در پنلهای خورشیدی، از رابطهای خطی تبعیت نمیکند و حل معادله ریاضی که منجر به دستیابی به نقطه بیشینه توان پنل شود بسیار مشکل است. به این دلیل تاکنون الگوریتمهای مختلفی برای دستیابی به نقطه بیشینه توان معرفی شدهاند. شبکهی عصبی مصنوعی، منطق فازی و الگوریتمهای فراابتکاری ابزارهایی توانمند در یادگیری الگوی حاکم بر سیستمهای غیرخطی و پیچیده هستند که تاکنون در زمینههای مختلفی به کار رفتهاند. در این پژوهش به منظور یافتن نقطهی بیشینه توان پنلهای خورشیدی تحت هر شرایط محیطی، منطق فازی به شیوهای نوین و شبکههای عصبی مصنوعی با تلفیق سه الگوریتم فراابتکاری ژنتیک، بهینهسازی ازدحام ذرات و رقابت استعماری به کار گرفته شدهاند. برای این منظور، دادههای مورد نیاز از یک پنل خورشیدی دریافت شده و به سیستمهای طراحی شده اعمال گردید. نتایج حاصل از مقایسهی سیستمها با دو شاخص آماری RMSE و MAE نشان داد که از میان روشهای مورد استفاده، سیستم فازی طراحی شده قابلیت اطمینان بیشتری داشته و عملکردی دقیق و پایدار در ردیابی نقطه بیشینه توان از خود نشان میدهد.
طراحی و ساخت سامانه شناسایی و مدیریت دام با استفاده از فناوری رادیو شناسه و رسپبری پای
2019
امروزه با افزایش نیاز به کنترل کیفیت و مدیریت حیوانات، تقاضای شناسایی و ردیابی حیوانات افزایش یافته است. حوزه های مدیریت در واحدهای دامپروری صنعتی شامل مدیریت تغذیه دام، مدیریت سلامت دام، مدیریت تولیدمثل دام، مدیریت نیروی انسانی، مدیریت حسابداری و مالی و مدیریت ریسک می باشد. بالاترین سطح مدیریت دامپروری تنها در صورتی قابل دستیابی خواهد بود که دام ها به طوری دقیق شناسایی و داده هایی قابل اطمینان برای آن ها جمع آوری شودکه این امور در دامپروری به روش سنتی میسّر نمی شود. با توجه به اهمیت مسئله مدیریت در دامداری ها، شناسایی دام ها ، نظارت بر دوره-های واکسیناسیون، ثبت داده های قابل اطمینان برای دام، تجزیه و تحلیل داده ها، جداسازی و تفکیک دام ها بر اساس پارامترهای مختلف، حرکت به سمت دامپروری دقیق و... یک سامانه شناسایی و مدیریت یکپارچه به صورتی مقرون به صرفه طراحی و ساخته شد که می تواند گام بلندی در صنعت دامپروری دقیق کشور و افزایش بهره وری این بخش از صنعت باشد. در این سامانه از فناوری رادیوشناسه برای شناسایی دام و کامپیوتر رسپبری پای برای انجام عملیات پردازشی نظیر ثبت وضبط اطلاعات دام، تجزیه و تحلیل آن ها، تفکیک دام ها براساس پارامتر های مختلف و کنترل سخت افزارهای الکترونیکی- مکانیکی جانبی سامانه استفاده شد. به صورت کلی نحوه عملکرد دستگاه به این گونه است که تگ ها پس از قرار گرفتن در راهرو شناسایی و حرکت بر روی قرائتگر سریعا توسط قرائتگر شناسایی و شماره سریال آن از طریق ماژول USB به رسپبری پای منتقل می شود سپس در نرم افزار طراحی شده شماره سریال، شناسایی و پرونده مربوط به آن فراخوانی می شود. با توجه به عملیات مد نظر کاربر و پنجره ای که در آن قرار دارد عملیات مدیریتی نظیر مشاهده اطلاعات دام، به روزرسانی اطلاعات مختلف دام، جداسازی دام ها بر اساس پارامترهای مختلف، ثبت نام دام جدید و حذف دام از پایگاه داده در دسترس خواهد بود. نقطه قوت سامانه، عملیات جداسازی دام ها براساس پارامترهای مختلف است بدین صورت که سه محل نگهداری برای دام-ها در نظر گرفته شده است. دام ها براساس مقادیری که از پارامترهای مختلف دارند به طور کاملا خودکار در این سه محل نگهداری دسته بندی می شوند. پس از جداسازی دام ها، امکان عملیات مدیریتی برای هر دسته به طور گروهی فراهم می شود.
طراحی و ساخت ربات مرغ داریار در مزارع پرورش مرغ گوشتی
2019
صنعت مرغ داری به جهت تامین حداکثر نیاز پروتئین جامعه و نقش آن در اقتصاد کلان کشور و اشتغال-زایی بسیار بااهمیت است. این صنعت در کشور نیازمند برنامه ای جامع برای دست یابی به تولید بهتر و صرفه اقتصادی بیشتر می باشد. صنعت مرغ داری در ایران قریب به یک قرن سابقه دارد اما اکثر سالن ها، ماشین ها و تجهیزات آن فرسوده و قدیمی شده اند. امروزه روش های مدیریت قدیمی در صنعت به خصوص صنعت مرغ داری ناکارآمد بوده و دارای صرفه اقتصادی نمی باشد.به همین دلیل استفاده از ربات ها و روش های جدید در مدیریت بسیاری از کشورهای صنعتی رایج شده است تا ضمن بهره وری و راندمان بالا از اتلاف انرژی و سرمایه جلوگیری شود. هدف از مکانیزه کردن کشاورزی ، به حداقل رساندن شرایط کاری سخت و طاقت فرسا به همراه کنترل بهینه و اتوماتیک شرایط و تجهیزات می باشد. بدین منظور و برای کاهش ورود انسان به سالن های پرورش طیور در صنعت مرغ داری و با در نظر گرفتن نیازهای اولیه و اساسی مرغ داران ربات مرغ داریار طراحی و ساخته شد.ربات از برد کنترلی ، مکانیزم حرکتی ، سیستم ارتباطی وحسگرهای دما، رطوبت و فتوسل تشکیل شده است. ربات مرغ داریار با حرکت در یک مسیر مستقیم و بدون انحراف گزارشی از میزان دما، رطوبت و روشنایی محیط را در اختیار کاربران قرار می-دهد. این ربات از یک قطب نمای الکترونیکی برای حرکت در مسیر مستقیم بهره می گیرد.کنترل آن به وسیله پردازشگر 32 بیتی از خانواده ARM که به زبان C برنامه نویسی شده است انجام می شود. با توجه به اصطکاک بالاتر و پستی و بلندی های حاصل از حرکت پرسنل و طیور در سطح کود مرغی ربات 20±سانتی متر و در سطح صاف و مسطح 5±سانتی متر نسبت به مسیر مستقیم خود انحراف داشت.هم چنین در هر زمان کاربران می توانند با ارسال یک اس ام اس گزارش کاملی از مقادیر دما، رطوبت نسبی و میزان روشنایی سالن دریافت کنند.
طراحی و توسعه نرم افزار مدیریت و تحلیل برنامه های اجرایی بخش کشاورزی
2019
جمع آوری داده ها، دسته بندی اطلاعات حاصل از پردازش آنها در بخش ها و گروههای متفاوت، جمع بندی و در نهایت تهیه گزارش های قابل ارائه، روندی است که هدف این پژوهش را بر پایه توسعه نرم افزاری در محیط اندروید بنا نهاده است. ابتدا طی مراحلی نرم افزار مذکور طراحی و توسعه یافت. سپس در دو مرحله مورد آزمایش قرار گرفت. ابتدا داده های محدودی جهت آزمایش و رفع نواقص احتمالی وارد نرم افزار شد. سپس باگهای آن اشکال زدائی شده و اپلیکیشن با قابلیت اعتماد بالا توسعه یافت. به کمک این اپلیکیشن، داده های وسیع تری از سطح چند روستا جهت مشخص نمودن کارایی آن، به وسیله چند دستگاه تلفن هوشمند مجهز به سیستم عامل اندروید، گردآوری شد. در نهایت با مشاهده گزارش های ارائه شده توسط اپلیکیشن، مشخص شد که از این نرم افزار میتوان در گردآوری آمار و اطلاعات کشاورزی استفاده نمود.
طراحی و ساخت ربات تصویر بردار به منظور تهیه تصویر از کارت های زرد چسبان در گلخانه ها
2017
امروزه با افزایش نیاز غذایی جوامع کشت گلخانه ای رو به افزایش است. کشت گلخانه ای به دلیل تحت کنترل بودن محیط، مزایایی نسبت به کشت در هوای آزاد دارد که قابلیت اتوماسیون را بالا می برد. سیستم های اتوماسیون کارهای سنگین، خطرناک، تکراری، خسته کننده و دقیق را بدون محدودیت با سرعت، اطمینان و دقت بالا در زمان و تعداد دفعات انجام می دهند. در یک سیستم اتوماسیون با حذف نیروی انسانی، این ربات ها هستند که کارها را انجام می دهند. استفاده از ربات ها در صنعت بصورت کاملا عمومی در آمده است اما در بخش کشاورزی هنوز کار های بسیاری در زمینه اتوماسیون و رباتیک برای انجام وجود دارد. کارت های زرد در گلخانه به عنوان تله هایی برای مبارزه با آفات استفاده می شود. این کارت ها با خاصیت چسبندگی و رنگ زرد خود، باعث جذب و به دام افتادن حشرات می شوند. از طرفی با سنجش تراکم و نوع حشرات به دام افتاده می توان زمان، مکان، نوع و مقدار سمپاشی را تشخیص داد که این امر مستلزم سرکشی مداوم به کارت ها و تهیه تصویر از آنها در موارد تحقیقاتی می باشد. امروزه با توجه به هزینه و مضرات سمپاشی، تشخیص دقیق پارامترهای سمپاشی بسیار مورد توجه قرار می گیرد. به همین منظور رباتی طراحی و ساخته شد که بصورت اتوماتیک از کارت های زرد تصویر تهیه می کند. ربات از یک دوربین، برد کنترلی، مکانیزم حرکتی، سیستم ارتباطی، موقعیت شمار و رابط کاربر تشکیل شده است. ربات با حرکت خطی روی دو رشته کابل فولادی به صورت معلق در موقعیت هایی که قبلا به آن آموزش داده شده است از کارت های زرد تصویر تهیه می کند. ربات از یک رمزگذار با رزولوشن 90پالس در هر دور برای موقعیت یابی بهره می گیرد و کنترل آن به وسیله رابط کاربر تحت ویندوز که به زبان سی شارپ نوشته شده است انجام می شود. همچنین به منظور کاهش کابل کشی از سیستم کنترلی بی سیم و دوربین تحت شبکه بی سیم استفاده شد. پس از نصب کارت ها یکبار موقعیت آنها به ربات معرفی و در دفعات بعد ربات بصورت اتوماتیک از کارت ها تصویر تهیه می کند. با توجه به رزولوشن رمزگذار (1.57میلیمتر جابجایی در ازای هر پالس)، ربات با دقت مطلوبی در موقعیت مشخص قرار گرفته و تصویر تهیه می کند.
بررسی تراکم جمعیت آفات مهم گلخانهای با استفاده از پردازش تصاویر دیجیتال تلههای چسبان زردرنگ جهت تعیین زمان سمپاشی
2017
تولیدات بخش کشاورزی یکی از حوزههای اصلی در اقتصاد هر کشور محسوب میشود. ازجمله عواملی که باعث افت میزان محصولات کشاورزی میشود طغیان آفات و بیماریها است. رایجترین شیوه مبارزه با این آفات استفاده از سموم شیمیایی میباشد؛ اما امروزه با بهرهمندی از روش مدیریت تلفیقی آفات بهمنظور افزایش ایمنی غذایی محصولات کشاورزی سعی در کاهش مصرف سموم شیمیایی شده است. در این شیوه مدیریتی برنامهی سمپاشی تقویمی حذف و سمپاشی بر اساس احتمال حضور آفات صورت میگیرد که بررسی این امر توسط یک نیروی متخصص انجام میشود. این شیوه نظارتی نهتنها وقتگیر و هزینهبر است بلکه نتایج حاصل از آن بهشدت تحت تأثیر میزان مهارت و شرایط فیزیولوژیکی اپراتور ازجمله خستگی، توهمات بصری و... خواهد بود؛ بنابراین در این پژوهش با کمک علم پردازش تصویر و کارتهای چسبان زردرنگ که برای جذب حشرات استفاده میشود، الگوریتمی جهت شناسایی و شمارش سفیدبالکها و تریپسها که ازجمله مهمترین آفات گلخانهای هستند و توسط این کارتهای چسبان در محیط گلخانه جمعآوریشدهاند، طراحی گردید. شناسایی حشرات موردنظر در این پژوهش بر اساس ویژگیهای رنگی و ابعاد هندسی آنها میباشد. جهت شناسایی و شمارش سفیدبالکها از فضای رنگی RGBو برای شناسایی تریپسها از فضای رنگی HSVاستفاده شد. الگوریتم طراحیشده برای شناسایی هر یک از گونهها شامل مراحلی از قبیل بهینهسازی، قطعهبندی، کاهش نویز، شناسایی و شمارش است. دقت این الگوریتم پیشنهادی 41/9درصد میباشد و مدتزمان اجرای آن بیش از چند ثانیه نیست. بدین ترتیب با استفاده از تکنیکهای پردازش تصویر هم در هزینه و زمان نظارت صرفهجویی میشود و هم خطای انسانی کاهش مییابد. ازآنجاکه ارتفاع کارتهای چسبان بهمنظور جذب بهتر حشرات باید متناسب با میزان رشد گیاهان تغییر کند، یک سیستم اتوماتیک جهت تنظیم ارتفاع این کارتها طراحی و ساخته شد
تهیه نقشه دیجیتال ازت گیاه ذرت با استفاده از پردازش تصویر به منظور کاربرد در کشاورزی دقیق
2016
کاربرد تکنولوژی کوددهی متغیر نیتروژن در مزرعه یکی از محورهای اصلی مدیریت دقیق محصول میباشد که راندمان کوددهی را افزایش داده و باعث کاهش آلودگی های زیست محیطی می شود. استفاده از این تکنولوژی، نیازمند تعیین دقیق و لحظه ای نیتروژن گیاه در مزرعه می باشد. در این تحقیق برای اولین بار، از روش پردازش تصاویر رنگی برای تعیین وضعیت نیتروژن برگ های ذرت استفاده شده است. آزمایش ها د مزرعه انجام و شش سطح مختلف کود دهی (0، 100، 200، 300، 400 و 500 کیلو گرم بر هکتار) برای ذرت در نظر گرفته شد. بعد از اینکه از برگها عکس گرفته شد همه برگها در جای تاریک نگهداری شدند که از کاهش مقدار نیتروژن جلوگیری شود. همه تستهای شیمیایی در ازمایشگاه خاکشناسی به روش کجلدال انجام شد. دو فضای رنگی و یک فضای سطح خاکستری برای تخمین مقدار نیتروژن برگ بر اساس تصویر گرفته شده توسط دوربین دیجیتالی به کار گرفته شد. مدل سطح خاکستری رابطه خوبی با مقدار نیتروژن برگ نشان داد (R2=0.68) و نیز زمان کمتری برای پردازش تصویر نیاز داشت و نیز مدل R-B در فضای رنگی بیشترین همبستگی را برای تخمین میزان نیتروژن برگ نشان داد (R2=0.75). همچنین مدل شبکه عصبی رابطه خوبی با مقدار نیتروژن برگ نشان داد (R2=0.91)
طراحی و ساخت سامانه بلادرنگ ماشین بینایی به منظور تشخیص آفلاتوکسین پسته
2016
تضمین سلامت محصولات کشاورزی و فرآورده های غذایی مورد مصرف جامعه دارای اهمیت است زیرا بهداشت و سلامت اجتماعی و اقتصادی در گرو برخورداری از غذای سالم است. پسته یکی از اقلام صادراتی غیر نفتی است که نقش مهمی در توسعه و ارزش اقتصاد ملی و صنعت غذایی – کشاورزی ایران دارد. پسته آفت های متعددی دارد که مهم ترین آنها آلوده شدن به کپک آسپرژیلوس است که سم خطرناکی به نام آفلاتوکسین تولید می کند که به شدت خطرناک و سرطان زاست. جهت تشخیص سم آفلاتوکسین نوع B1 موجود در پسته، روش های شیمیایی زیادی وجود دارد اما در مقابل این روش ها، سیستم های ماشین بینایی، غیر مخرب، کارآمد و مقرون به صرفه بوده و نتایج پایدارتری ارائه می کنند. هدف این پژوهش یافتن روشی مناسب جهت تشخیص پسته ی آلوده و سالم است که در عین سادگی تجهیزات بکار گرفته شده، دارای دقت و سرعت مناسبی باشد. در این روش ابتدا از پسته های سالم و آلوده در حالت بلادرنگ، با استفاده از یک دوربین دیجیتال تصویربرداری شد. سپس با استفاده از الگوریتم طراحی شده در نرم افزار MATLAB رنگ های اصلی قرمز، سبز و آبی را از هر تصویر جدا، هیستوگرام آنها ترسیم و بیشینه شدت روشنایی هر رنگ، در جدولی ثبت گردید. این عمل برای 96 عدد پسته، شامل 53 عدد پسته ی سالم و 43 عدد پسته ی آلوده انجام شد. با توجه به جدول، حدودی برای شدت روشنایی رنگ ها در پسته های سالم و آلوده به صورت جداگانه مشخص گردید. با در نظر گرفتن حدود تعیین شده و نتایج حاصل از روش آزمایشگاهی ، 3 عدد از پسته های سالم در محدوده ی پسته های آلوده و 6 عدد از پسته های آلوده در محدوده ی پسته های سالم قرار گرفتند. در این پژوهش دقت فرآیند تشخیص، 63/90 درصد بدست آمد. زمان لازم برای تشخیص در سامانه ی ماشین بینایی نیز 03/1 ثانیه محاسبه شد.
تشخیص بلادرنگ بطری های شیشه ای شکسته در خط تولید نوشابه به کمک پردازش تصاویر دیجیتال (مطالعه ی موردی: شرکت خوش نوش همدان)
2016
امروزه از سیستم های ماشین بینایی به طور گسترده ای در امور مربوط به کنترل کیفیت و بازرسی بلادرنگ به منظور بهبود کیفیت محصولات نهایی و صرفه جویی در زمان و هزینه استفاده می شود. استفاده از ظروف شیشه ای برای مصرف و نگهداری مواد خوراکی در مقایسه با ظروف دیگر از سلامت بیشتری برخوردار بوده و قابلیت بازیافت به دفعات بیشتری را دارند. بطری-های شیشه ای تولید شده و بطری هایی که مورد استفاده ی مجدد قرار می گیرند به دلیل وجود برخی نقص ها ممکن است پیامدهای منفی و خطرناکی را به دنبال داشته باشند، لذا لازم است قبل از پر شدن بطری ها در خط تولید عمل شست وشو و بازرسی بر روی آن ها انجام شود تا در صورت وجود نقص، بطری های معیوب از خط خارج شوند. فرآیند بازرسی امری است بصری و ذهنی، لذا انجام این عمل توسط انسان بسیار سخت و خسته کننده بوده و از قابلیت اطمینان کافی برخوردار نمی-باشد. هدف این پژوهش یافتن روشی مناسب برای بازرسی بلادرنگ از بدنه و دهانه ی بطری های شیشه ای است که در عین سادگی تجهیزات بکار گرفته شده، دقت و سرعت مناسبی داشته باشد. در این روش ابتدا از بدنه و دهانه ی بطری ها با استفاده از یک دوربین دیجیتال تصویر برداری شد. برای پوشش دادن تصویر بدنه ی بطری ها از یک آینه ی تخت که با زاویه ی مشخص در کنار مسیر حرکت بطری ها نصب شده است، استفاده گردید. سپس با استفاده از الگوریتم طراحی شده در نرم افزار MATLAB ابتدا مناطق مورد نظر برای بازرسی در دهانه و بدنه ی بطری ها از تصویر اصلی جدا شده و با استخراج اطلاعات لازم از این مناطق عمل کلاسه بندی بطری ها در دو سطح سالم و آسیب دیده صورت گرفت. در پایان برای ارزیابی عملکرد سامانه ی ماشین بینایی ارائه شده، فرآیند بازرسی بر روی تصاویر گرفته شده از بطری ها در دو محیط آزمایشگاه و خط تولید کارخانه ی خوش نوش همدان انجام شد. با انجام فرآیند بازرسی روی 210 تصویر گرفته شده در آزمایشگاه شامل 114 تصویر از بطری های سالم و 96 تصویر از بطری های شکسته، دقت فرآیند بازرسی 8/92 درصد بدست آمد. همچنین دقت بازرسی بر روی 210 تصویر گرفته شده در خط تولید کارخانه شامل 127 تصویر از بطری های سالم و 83 تصویر از بطری های معیوب، 4/73 درصد شد. زمان لازم برای انجام بازرسی از هر بطری نیز 767/0 ثانیه محاسبه شد.
طراحی و ساخت دستگاه درجه بندی میوه های گرد بر اساس اندازه گیری یک بعدی با استفاده از فتوسنسور (مطالعه موردی: پرتقال)
2016
با توجه به حجم بالای تولید پرتقال در ایران، مقدار کمی از این محصول از نظر اندازه و درجه بندی و بسته بندی شده و به دست مصرف کنندگان داخلی یا خارجی میرسد. هدف از این پژوهش ساخت دستگاهی است که توانایی درجه بندی پرتقال بر اساس اندازه گیری یک بعدی با استفاده از فتو سنسور که بر اساس میزان فاصله تا از سطح پرتقال عمل میکند را داشته باشد. در این پژوهش دو رقم پرتقال واشنگتن ناول و تامسون ناول انتخاب شدندتا دارای تفاوت در اندازه باشند. آزمایشات در دو مرحله ی اساس تعیین دقت جداسازی دستگاه در سرعتهای مختلف و در سرعت ثابت انجام گرفت. در مرحله نخست، بهترین دقت درجه بندی پرتقال ها برای رقم واشنگتن ناول برابر 0/94 و برای پرتقال ها از رقم تامسون ناول برابر با 0/85 در سرعت خطی 0/78 متر بر ثانیه تسمه نقاله بدست آمد. در مرحله دوم دقت جداسازی دستگاه در سرعت ثابت 0/66 متر بر ثانیه، مورد بررسی قرار گرفت و این دقت در حد 1/5 میلیمتر با احتمال بالای 90 دصد تعیین گردید. این روش درجه بندی میتواند در جداسازی و درجه بندی انواع میوه های گرد استفاده شود.
درجه بندی فلفل براساس تندی مزه به کمک پردازش تصویر دیجیتال
2016
فلفل محصولی مهم از نظر اقتصادی می باشد. دسته بندی این محصول براساس تندی آن می تواند درتوسعه صادرات این محصول بسیار مهم واقع شود. تندی فلفل عامل مهمی در میزان بازارپسندی و نوع کاربرد آن است.کپسایسینوئید موجود در فلفل که عامل تندی این میوه است، به طور رایج توسط روش های اسپکتروفتومتری،کروماتوگرافی و یا پانل تست صورت می گیرد که اکثر روش ها مستلزم تخریب میوه است بنابراین امکان استفاده از این روش ها به منظور دسته بندی فلفل مناسب نخواهد بود. هدف از این پژوهش، بررسی امکان تعیین تندی فلفل بدون آسیب رساندن به آن می باشد. به این منظور، با روش پردازش تصویر توسط الگوریتم تنظیم شده در برنامه MATLAB ، پارامترهای ظاهری فلفل مورد بررسی قرار گرفت، سپس از روش های رایج پانل تست و اسپکتروفتومتری برای تعیین تندی استفاده شد. با بکار گیری شبکه عصبی مصنوعی ،هرکدام از ویژگی های بدست آمده از تصاویر،مورد ارزیابی و مقایسه با تندی قرار گرفت. در بین پارامترهای استخراج شده از تصاویر،پارامترهای مربوط به دو فضای رنگی RGB وHSV با دقت طبقه بندی 4286/89 بهترین نتیجه را در جهت دسته بندی فلفل به دو دسته تند و شیرین ارائه دادند.
استخراج پروفیل سه بعدی سطح خاک به کمک لیزر بر اساس پردازش تصاویر دیجیتال
2015
تعیین فرسایش و زبری خاک و اندازه خاکدانه ها، پارامترهای اساسی و مهم در کشاورزی می باشند که می توانند بر خاک ورزی، کشت، جوانه زنی، سبز شدن گیاهان و جریان های آب سطحی اثرگذار باشند. هم چنین تهیه پروفیل بستر سیال به عنوان یکی از مسائل مهم در مهندسی هیدرولیک مورد توجه می باشد. در همین راستا مدل سازی سه بعدی برای بدست آوردن نقشه پایه از سطح خاک و بستر سیال و بررسی تغییرات آنها در طی زمان، یکی از اهداف مهم داده برداری غیرتماسی از سطح به شمار می آید که منجر به استخراج داده های دقیق تر و بررسی های اصولی تر می گردد. که این امر افزایش بازده و کاهش هزینه ها را در پی خواهد داشت. در این پژوهش، به منظور استخراج نقشه سه بعدی سطح خاک به روش غیر تماسی، دستگاهی طراحی و ساخته شد که از سه بخش اصلی قاب مکانیکی، سیستم کنترل حرکت و مکانیزم تصویربرداری تشکیل شده است. قاب مکانیکی دستگاه با استفاده از پروفیل های آلومینیومی در ابعاد 169×126 سانتیمتر و با چهارپایه که قابلیت تغییر ارتفاع بین 70 تا 100 سانتیمتر را دارند، ساخته شده است. برای استخراج نقشه، قاب دستگاه بر روی نمونه خاک مستقر شده و ثابت است و در داخل آن مکانیزم تصویربرداری به صورت رفت و برگشتی، با حرکت خطی سرعت ثابت تصویربرداری را انجام می دهد. مکانیزم تصویربرداری، از یک دوربین تصویربرداری و یک لیزر خطی قرمز تشکیل شده است و نیروی مورد نیاز برای حرکت خود را از یک موتور الکتریکی القایی 220 ولت، 60 دور در دقیقه دریافت می کند . سرعت حرکت در هنگام تصویربرداری4/2 میلیمتر در ثانیه است و در هر ثانیه 2 عکس دریافت می شود. نورپردازی این پژوهش از نوع ساختاریافته است. تمامی دستگاه برای ایجاد اتاق تاریک پوشیده است و خط لیزر عمود بر سطح خاک تابیده می شود. در نهایت تمامی تصاویر، با استفاده از نرم افزار متلب پردازش شده و ارتفاع هر نقطه از سطح خاک استخراج می شود. برای پردازش تصاویر از چند الگوریتم جهت رفع نویزها، تقلیل ضخامت نور لیزر در تصویر، ایجاد پیوستگی در خط لیزر و تعیین ارتفاع تمامی نقاط خط لیزر استفاده شده، سپس با استفاده از داده های بدست آمده از تصاویر و تعیین مختصات سه بُعد هر نقطه، نقشه سه بعدی در محیط متلب رسم می شود.
طراحی الگوریتمی برای برآورد مساحت سطح رویه ی محصولات کشاورزی با استفاده از پردازش تصاویر دیجیتال
2015
تخمین سطح رویه ی محصولات کشاورزی در مطالعاتی که به پوشش اسپری، حذف بقایای اسپری، نرخ تنفس، جذب و دفع رطوبت، برآورد زمان لایه برداری، تعیین غلظت میکروبی، انعکاس نور و ارزیابی رنگ می پردازند و نیز مطالعات مربوط به انتقال حرارت درفرآیند های گرم و سرد کردن محصول، بسته-بندی، درجه بندی، فضای ذخیره سازی، تعیین سطوح آسیب دیده و بازارپسندی محصول مهم است. به دلیل شکل هندسی ناهمگون اغلب محصولات کشاورزی، محاسبه ی سطح رویه ی آنها به روش های ساده ی هندسی چندان دقیق نیست و روش های دقیق برآورد سطح رویه نیز روش هایی مخرب و طاقت فرسایی هستند. هدف از این تحقیق طراحی الگوریتمی برای برآورد مساحت سطح رویه ی محصولات کشاورزی با استفاده از پردازش تصاویر دیجیتال است که بتواند با سرعت و دقت بالا سطح رویه ی آنها را اندازه گیری کند. براین اساس دستگاهی طراحی شد و الگوریتمی با استفاده از زبان برنامه نویسی C# برای آن کدنویسی گردید. این دستگاه به همراه الگوریتم موجود در برنامه ی آن با استفاده از یک دوربین و سیستم نورپردازی ساختاریافته، می تواند، یک اسکن 360 درجه از نمونه تهیه کرده و مدل سه بعدی آن را شبیه سازی کند. الگوریتم به این ترتیب بود که: نمونه ها در جعبه ی تاریک دستگاه در مرکز یک آینه ی تخت گرد قرار داده شدند و پرتو لیزر به صورت خطی و مماس بر محور عمود بر آینه به نمونه تابانده شد. در ادامه درحالیکه آینه با سرعت ثابت پنج rpm ، یک دور حول محور خود گردش می کرد، حدود 170 عدد تصویر از پرتو لیزر بیرون و داخل آینه تهیه شد سپس به کمک الگوریتم طراحی شده طی چند مرحله پردازش و به کارگرفتن قوانین پرسپکتیو دونقطه گریزی، از هر تصویر، منحنی کالیبره شده ی سطح مقطع نمونه استخراج شد. ابرنقاط نمونه با استفاده از منحنی های کالیبره شده ی مقاطع آن و به کارگیری معادله ی دوران یک نقطه حول یک محور محاسبه شد و مدل سه بعدی نمونه با استفاده از ابر نقاط استخراج شده و المان هایی به شکل قسمتی از مخروط ناقص بدست آمد. سپس سطح رویه ی تخمینی نمونه از مجموع سطح المان ها محاسبه شد. برای ارزیابی دقت سطح رویه ی تخمینی، 30 نمونه سیب زمینی به عنوان یک محصول با شکل هندسی نامنظم و 22 نمونه لیموشیرین، به عنوان یک محصول با شکل هندسی منظم انتخاب شد. سطح رویه ی تخمینی با استفاده از دستگاه ساخته شده و سطح رویه ی واقعی از روش پوست کندن بدس
بهینه سازی خشک کردن میوه بنه در خشک کن پیوسته نیمه صنعتی به کمک شبکه های عصبی مصنوعی و روش سطح پاسخ
2014
ارزیابی تاثیر پارامترهای عملکرد خطی کار روی یکنواختی توزیع بذر با استفاده از دستگاه تست گریس بلت
2014
مقایسه رنگ سنجی بین دستگاه های رنگ سنج و پردازش تصاویر رنگی در محصولات کشاورزی
2014
بهینه سازی خشک کردن پسته در میکروویو بستر سیال به کمک روش سطحی پاسخ
2014
بهینه سازی خشک کردن پسته در میکروویو بستر سیال به کمک روش سطح پاسخ
2014
طراحی و ساخت دستگاه سمپاش دقیق براساس نقشه دیجیتال علف هرز
2014
بررسی عملکرد سمپاشی الکتروستاتیک روی سطوح برگ به کمک پردازش تصویر
2013
بررسی مراحل رسیدگی میوه زردآلو با استفاده از تغییرات رنگ
2013
طراحی و ساخت سامانه غیرمخرب جداسازی بادرنگ محصولات کشاورزی براساس اثر پایروالکتریک- مطالعه موردی: سیب و پرتقال
2013
شناسایی و تعیین موقعیت پرتقال بر روی درخت با استفاده از پردازش تصویر
2013