menu
Hossein Bagherpour

Assistant Professor

Update: 2024-10-31

Hossein Bagherpour

Faculty of Agriculture / Department of Biosystem Engineering

Master Theses

  1. بهره گيري از روش هاي مختلف هوش مصنوعي در تشخيص ارقام مختلف نخود و ميزان ناخالصي هاي آن
    كيا كرمي 2023
    چكيده: محصول نخود به دليل شرايط خاص برداشت داراي چندين نوع ناخالصي است كه بعضي از آن ها مانند كاه، سنگريزه ها، علف هاي هرز و ساير ناخالصي ديگر كه داراي اختلاف اساسي در وزن يا ابعاد هستند، به راحتي توسط بعضي از روش هاي مكانيكي از محصول اصلي جدا مي شوند. ولي در مقابل، ناخالصي هايي مانند سنگ يا كلوخ هم اندازه نخود، نخودهاي لپه شده و مخصوصا نخودهاي نارس به سختي در فرآيند جداسازي از محصول جدا مي شوند و در نتيجه باعث كاهش كيفيت و قيمت تمام شده محصول مي شوند. لذا جداسازي اين نوع ناخالصي ها يكي از چالش هاي اصلي در حوزه فرآوري محصولات كشاورزي است كه در اين پژوهش سعي گرديد با بهره گيري از الگوريتم هاي نوين هوش مصنوعي اين نوع ناخالصي ها شناسايي و از محصول اصلي تفكيك شوند. از طرفي شناسايي و انتخاب رقم مناسب نخود براي كشاورزان و محققان از اهميت ويژ ه اي در هنگام كاشت يا اصلاح آن ها برخوردار است كه بدين منظور در هدف دوم تشخيص و طبقه-بندي رقم هاي مختلف محصول با يك شبكه عصبي كانولوشني بررسي شد. در اين تحقيق براي تشخيص و شناسايي ناخالصي ها از الگوريتم نوينYOLO-v5 استفاده شد. براي آموزش اين الگوريتم 400 عكس برچسب گذاري شده از شش كلاس شامل نخود سالم، نخود نارس، لپه شده، سنگ و كلوخ، نخود سياه و نخود قهوه اي تهيه شد. در گام دوم به منظور شناسايي رقم ها با بازسازي تصاوير، در كل 3000 تصوير ايجاد گرديد و از يك الگوريتم معروف شبكه كانولوشني VGG-19 به عنوان الگوريتم از پيش آموزش ديده شده استفاه شد. براي ارزيابي عملكرد مدل YOLO-v5 از پارامترهاي ارزيابي صحت، حساسيت، دقت، F1-Score و mAP استفاده شد. نتايج حاصل از شناسايي ناخالصي ها نشان دادن كه با استفاده از الگوريتم YOLO-v5، شش كلاس سالم و ناخالصي هاي ديگر به طور كامل و با دقت بالايي شناسايي و از هم بخوبي متمايز شدند. مقدار mAP-50براي همه كلاس ها بالاتر از ٪99 بدست آمد. همچنين مقدار mAP-50:95 براي همه كلاس ها بين 68 الي77٪ حاصل شد. با توجه به نزديك بودن اين ضريب براي تمامي كلاس ها، مي توان گفت كه مدل مذكور در شناسايي كلاس هاي مختلف بسيار موفق عمل كرده است. همچنين نتايج حاصل از شناسايي شبكه VGG-19 نشان داد كه علي رغم نزديكي بسيار زياد ظاهري رقم ها به يكديگر، اين شبكه لايه عميق توانايي نسبتا بالايي در شناسايي الگوهاي مختلف دارد و مي توان از اين شب
    Thesis summary

  2. اثر شدت نور در كاهش بار محاسباتي يادگيري عميق به منظور قطعه بندي تصوير حاوي گوجه فرنگي روي بوته
    سهيل خانمحمدي 2023
    چين با توليد سالانه بيش از 65.15 ميليون تن، بزرگترين توليد گوجه فرنگي در جهان است كه يك سوم توليد جهاني گوجه فرنگي را به خود اختصاص مي دهد.يكي ازمشكلات اصلي درتوليدگوجه فرنگي نياز به نيروي كارانساني جهت برداشت اين محصول مي باشد امروزه روش هاي رباتيك درحال جايگزين شدن با نيروي انساني جهت برداشت محصول مي باشندويكي از اصلي ترين قسمت هاي برداشت رباتيك بخش تشخيص وارزيابي گوجه فرنگي و انتخاب هدف مطلوب مي باشدبراي تشخيص محصول الگوريتم ها و روش هاي بسيار متنوعي وجود دارد ما در اين پژوهش از شبكه عصبي YOLOv5استفاده كرده ايم كه نسبت به نسخه هاي ديگر YOLOسرعت بالاتري دارد وفرايند محاسبات اين نسخه كوتاه تر و كم حجم تر مي باشددراين پژوهش هدف اصلي ما مشخص كردن بهترين شدت نورجهت آموزش شبكه و شناسايي گوجه فرنگي ها درهر تصوير همراه با كمترين زمان (بار محاسباتي) مي باشد دراين پژوهش ما از سه رزولويشن 320و640و960استفاده كرده ايم كه با افزايش رزولويشن نتايج آموزش ،mApافزايش و تعداد نمونه هاي تشخيص داده شده در هر تصوير افزايش مي يابدبراي مثال در شدت نور 2423لوكس ودررزولويشن 320 mAp50ميزان 76درصد ميباشد ولي در رزولويشن 960mAp50 ميزان 83درصد ميباشدكمترين زمان براي تشخيص وشناسايي گوجه فرنگي هاي يك تصويردر رزولويشن 320ساعات 10و12 با 9/8 msمي باشندوكمترين بار محاسباتي را دارا مي باشدوبالا ترين ميزان mApمتعلق به رزولوشن 960ساعت 8ميباشدكمترين ميزان mApنيز متعلق به رزولويشن 960ساعت 8صبح مي باشدمي توان گفت بهترين عملكرد را در سه رزولويشن ساعت 10 با 2423لوكس دارا مي باشد
    Thesis summary

  3. جداسازي فندق هاي با مغز پوسيده و ناسالم از نمونه هاي سالم با بهره گيري از روش يادگيري عميق بر مبناي پردازش تصاوير
    مهدي فراهاني 2023
    فندق يكي از خشكبارهاي با ارزش و شناخته شده در جهان است كه داراي ارزش غذايي بالايي است و نقش مهمي در سلامتي انسان ها دارد. از جنبه اقتصادي نيز جز محصولات با ارزش افزوده بالا در صنعت صنايع غذايي است و مورد توجه بسياري از كشورهاي جهان قرار گرفته است. ايران در بين كشورهاي عمده توليدكننده اين محصول در رتبه 8 قرار دارد و پتانسيل بالايي در توليد اين محصول دارد. توليد اين محصول و فرآوري آن برخلاف بسياري از كشورهاي توسعه يافته، در ايران بيشتر به شكل سنتي و با فن آوري هاي سطح پاييني انجام مي شود. نبود فرآيند صنعتي مدرن و مناسب براي خشك كردن و كم بودن انبارهاي مجهز نگهداري محصول، باعث شده كه كشاورزان يا باغداران اين محصول را به روش سنتي خشك كرده و سپس در انبار و بعضا در داخل كيسه ها نگه داري كنند تا بتوانند آن را در زمان ديگري فرآوري و به بازار عرضه كنند. نگه داري محصول در شرايط غير استاندارد و در صورتي كه با رطوبت نگهداري شود، رطوبت به درون پوسته نفوذ مي كند و باعث خراب شدن، قارچ زدگي و كپك زدگي در بخشي از فندق ها مي شود. وجود قارچ در داخل نمونه ها باعث كاهش شديد ارزش محصول شده و ضررهاي خيلي زيادي به توليد كننده ها يا عرضه كننده هاي آن وارد مي كند و از طرفي امكان صادرات آن نيز ديگر وجود نخواهد داشت. وجود اين نوع قارچ در داخل محصول باعث تغيير رنگ جزئي در سطح بيروني پوسته سفت محصول مي گردد و بدين روش امكان شناسايي آن ها قبل از عمليات شكستن پوسته و يا فروش آن وجود دارد. بنابراين هدف اصلي اين پژوهش استفاده از الگوريتم شبكه عصبي كانولوشني است كه بتواند بر پايه پردازش تصوير با قابليت بالايي اين تغييرات جزئي رنگ يا الگو هاي سطح خارجي پوسته را متوجه شده و دسته بندي محصول را انجام دهد. در اين پژوهش با استفاده از دو رويكرد يادگيري عميق، شناسايي نمونه هاي خراب از سالم بررسي و تحليل شد. در رويكرد اول با استفاده از روش يادگيري انتقال و بهره گيري از دو مدل مشهور از پيش آموزش ديده شده با تصاوير پايگاه ايميج نت (ImagNet)، بنام هاي VGG-19 و Inception-v3، عمليات طبقه بندي انجام شد و در رويكرد دوم با طراحي يك شبكه كانولوشني پيشنهادي توانايي اين شبكه در جداسازي نمونه ها مورد بررسي قرار گرفت. براي توسعه و ارزيابي مدل هاي يادگيري عميق از كتابخانه كراس (Keras) استفاده شد و برنامه نويسي پايتون و آمو
    Thesis summary

  4. درجه بندي گل رز با استفاده از پردازش تصوير مبتني بر روش هاي هوش مصنوعي
    علي كارگر 2023
    گل رز بانام علمي Rosa Hybrida، از خانواده گل سرخيان يا Rosaceae مهم ترين گل تجاري شاخه بريده در سراسر دنياست. يكي از مراحل مهم توليد گل رز، درجه بندي است كه داراي استانداردهايي در هر منطقه از دنياست. اين كار مي تواند به صورت دستي توسط افراد باتجربه انجام گيرد كه فرايندي پر خطا و زمان بر است همچنين در گلخانه هاي تجاري با ميزان توليد بالا امكان پذير نيست؛ اما تكنولوژي هاي به روز در مراحل توليد گل رز چند سالي است كه مورداستفاده قرار مي گيرد. استفاده از هوش مصنوعي در مرحله درجه بندي و پس از برداشت گل رز در خط توليد كشورهاي پيشرفته استفاده مي شود. در پژوهش حاضر با استفاده از يادگيري عميق (DL) تصاويري از گل هاي رز رقم آوالانچ كه به تعداد بالا و وضوح كافي تهيه شده بود، به شبكه هاي عصبي با مدل هاي وي جي جي، رزنت، اينسپشن و ايكسپشن تغذيه شدند كه نتايج زير به دست آمد. در همه مدل هاي از پيش آموزش ديده شده دراپ اوت تأثير مثبتي بر دقت شبكه نداشت؛ اما در مدل پيشنهادي اضافه كردن 0.1 دراپ اوت تأثير مثبتي بر عملكرد شبكه گذاشت. در شبكه وي جي جي بيشترين ميزان دقت در تعداد نورون 64 مشاهده شد. ميزان دقت در اين شبكه 96 درصد بود. شبكه رزنت عملكرد مطلوبي در اين پژوهش از خود به نمايش نگذاشت به طوري كه صحت نتايج آن در تشخيص محصول درجه يك و درجه دو به ترتيب 78 و 82 درصد بود كه نشان از عدم توانايي اين شبكه در تفكيك داده ها بود. از طرفي شبكه اينسپشن نيز همانند رزنت نتايج قابل اعتمادي در اين پژوهش نداشت به طوري كه دقت آن 80 درصد گزارش شد. دقت شبكه ايكسپشن در پژوهش حاضر 100 درصد گزارش شد كه نشان از كارآمدي مدل است. در انتها نتايج در مدل پيشنهادي پژوهشگر بدين صورت ثبت شد. در اين مدل تعداد نرون ها به 128 افزايش يافته. همچنين از چهار لايه عصبي كانولوشن استفاده شد كه در هر لايه چهار فيلتر 16، 32، 64 و 128 تايي به كار گرفته شد و نتايج نشان داد افزايش تعداد فيلترها در هر لايه سبب افزايش دقت شبكه عصبي از 96 درصد به 99 درصد مي شود. پس به طوركلي در اين پژوهش كمترين دقت مربوط به مدل رزنت (80 درصد) و بيشترين آن مربوط به مدل پيشنهادي (98 درصد) و مدل ايكسپشن (100 درصد) بود. قدرتمندترين مدل در تفكيك گل هاي درجه يك از درجه دو به ترتيب مربوط به شبكه هاي ايكسپشن (100 درصد)، پيشنهادي (99 درصد) و وي جي جي (95.5) بو
  5. اثر تغيير رزلوشن تصوير در كاهش بار محاسباتي يادگيري عميق به منظور قطعه بندي تصوير حاوي گوجه فرنگي روي بوته
    مهدي خاني 2023
    گوجه فرنگي رتبه دوم را در مقدار برداشت كشت گلخانه اي دارد. مقدار برداشت و سطح زير كشت اين محصول طي 60 سال گذشته روندي كاملا صعودي داشته است. از اين رو تحقيقات فرآواني به منظور طراحي ربات برداشت اين محصول صورت گرفته است. قسمت بينايي رايانه اي بخش مهمي از ربات هاي برداشت محصول را تشكيل مي دهد. اين قسمت از الگوريتم هاي پردازش تصوير به منظور تشخيص موقعيت گوجه فرنگي ها بهره مي برد، اما وجود چالش هايي مانند: تغييرات روشنايي، همپوشاني گوجه فرنگي ها و شرايط پيچيده محيطي مانع تشخيص درست اين محصول مي گردد. براي حل مشكلات فوق استفاده از شبكه هاي عصبي مصنوعي بسيار متداول گرديده است. از اين بين شبكه هاي Yolo عملكرد بسيار مناسبي را از نظر دقت و سرعت تشخيص ارائه مي دهند اما هنوز از بار محاسباتي بالايي براي استفاده در كاربرد هاي رباتيك برخوردارند. ايده اين پژوهش استفاده از رزلوشن تصوير بهينه براي آموزش و ارزيابي شبكه مي باشد. رزلوشن بهينه، رزلوشني است كه در آن امر تشخيص از سرعت و دقت مناسبي برخوردار است. در اين راستا مجموعه داده اي شامل 453 تصوير از گوجه فرنگي هاي نارس تا رسيده كه به روي بوته قرار داشتند تهيه گرديد. سپس تغيير رزلوشن تصاوير در هجده كلاس انجام گرفت. در ادامه تعداد پنج رزلوشن در شبكه Yolov3 و تعداد هجده رزلوشن در شبكه هاي Yolov5s و Yolov7-tiny از نظر دقت و سرعت تشخيص گوجه فرنگي ها مورد ارزيابي قرار گرفتند. همچنين رزلوشن هاي مورد بررسي داراي بازه 64*64 پيكسل تا 608*608 پيكسل بوده اند. نتايج بيان گر اين مضوع است كه بيش تر رزلوشن هاي مورد بررسي، دقت تغريبا برابري را ارائه مي دهند اما از نظر زمان تشخيص يا بار محاسباتي اختلاف بالايي بين آن ها مشاهده مي شود.
    Thesis summary

  6. بهره‎‏ گيري از شبكه‏ هاي عصبي در شناسايي و تشخيص علف ‏هرز توق در توده دانه‏ گندم
    نگار فتاحي پيرو 2022
    علف هاي هرز به طور تصادفي و لكه اي در همه ي مكان ها حضور دارند و با گياهان بر سر منابع رقابت مي كنند و منجر به افت عملكرد مي شوند. در مزارع گندم علف هاي هرز و افات مختلفي از جمله توق، چاودار، چچم و سن گندم و... وجود دارند. بعضي از اين علف هاي هرز به دليل جرم ويژه تقريبا هم اندازه با گندم و يا تشابه ظاهري زياد با گندم، تا مرحله ي ذخيره سازي در انبار همراه گندم باقي مي مانند. از آنجا كه يكي از شاخص هاي كيفي و معيار بازارپسندي توده دانه گندم عدم وجود مواد زائد است، تشخيص و شناسايي اين علف هاي هرز در توده دانه گندم براي خريداران گندم و مراكز بوجاري و كارخانه هاي آرد بسيار حائز اهميت بوده و براي تعيين ميزان افت مفيد و غير مفيد و تعيين قيمت لازم است. در اين تحقيق براي تشخيص و شناسايي علف هاي هرز رايج در مزارع و گندم هاي آفت زده از الگوريتم YOLOv5 استفاده شد. براي آموزش اين الگوريتم 375 عكس برچسب گذاري شده كه شامل 11كلاس (دانه سالم، دانه سن زده، دانه چروكيده، دانه چاودار، دانه شكسته، توق، سنگ و كلوخ، گياهان سبز، كزل، دانه جو، ساقه) بود؛ تهيه و مورد استفاده قرار گرفت (75٪ براي آموزش، 15٪ براي ارزيابي، 10٪ براي تست). در نهايت براي ارزيابي عملكرد اين مدل در شناسايي و مكان يابي علف هاي هرز موجود در تصوير از پارامترهاي ارزيابي Precision ، Recall وmAP استفاده شد. نتايج نشان دادن كه پنج كلاس (ساقه، دانه جو، كزل، گياهان سبز، توق) به طور كامل و با دقت بالا به عنوان كلاس خودشان تشخيص داده شدند. همچنين مقدار 5/0 mAPبراي همه كلاس ها بين 6/88٪ - 5/99٪ شد. كه بيشترين مقدار مربوط به كلاس ساقه، دانه جو، گياهان سبز، سنگ وكلوخ است و كمترين مقدار براي كلاس دانه چروكيده مي باشد. همچنين مقدار 5/0: 95/0 mAPبراي همه كلاس ها بين 5/65٪ - 8/81٪ به دست آمد كه بيشترين مربوط به كلاس ساقه و كمترين مربوط به كلاس دانه چروكيده بود. با توجه به نتايج به دست آمده، به نظر مي رسد الگوريتم YOLOv5 قابليت بالايي در تشخيص و شناسايي علف هاي هرز گندم دارد و مي توان از آن در ارائه يك سيستم هوشمند به صورت يك نرم افزار كه قابليت نصب در تلفن همراه را داشته باشد و يا در ارتباط با كامپيوتر درصد ناخالصي ها را ارائه كند استفاده كرد.
    Thesis summary

  7. استفاده ازشبكه هاي عصبي كانولوشني (CNN) درتشخيص خيارهاي معيوب
    سجاد حاصلي گلزار 2021
    طبقه بندي خيار از لحاظ شكل ظاهري يكي از مراحل اصلي فرآوري اين محصول است. هر چند دستگاه هاي مختلفي براي اين كار ابداع و ساخته شده اند اما همه آنها در زمينه تفكيك و طبقه بندي محصول از نظر شكل و اندازه كاربرد دارند. بررسي كيفيت محصول در صنايع مربوط به توليد خيار شور به شكل دستي و سنتي انجام مي شود كه كاري سخت و زمان بر است. بهره گيري از الگوريتم هاي هوش مصنوعي به عنوان يك روش جديد و كارآمد مي تواند جايگزين مناسبي براي روش هاي سنتي كيفي سنجي محصولات باشد. بنابراين استفاده از روش هاي سريع و نوين الگو يابي در پردازش تصوير و شناسايي كلاس هاي مختلف محصول خيار به كمك هوش مصنوعي از اهداف اصلي اين پژوهش مي باشد. در اين تحقيق با بهره گيري از مهمترين روش هوش مصنوعي بنام يادگيري عميق و تركيب عمليات كانولوشن و شبكه عصبي، تشخيص الگو و يادگيري انجام گرفت. در تحقيق حاضر با بهره گيري از دو روش يادگيري انتقال و طراحي شبكه كانولوشني پيشنهادي، الگوريتم مناسب براي طبقه بندي و شناسايي كلاس ها انجام گرفت. در روش يادگيري انتقال، از سه شبكه پيش آموزش ديده شده Inception-v3، VGG-19 و پيشنهادي استفاده گرديد. در الگوريتم پيشنهادي با بررسي لايه ها و ساختارهاي مختلف آن عملكرد مدل بررسي و با روش يادگيري انتقال مقايسه گرديد. در بررسي عملكرد مدل ها از شاخص هاي ارزيابي حساسيت، صحت، دقت و شاخص f-score استفاده گرديد. با توجه به نتايج، اگرچه تمامي مدل ها پتانسيل اميدواركننده اي براي طبقه بندي سه كلاس مختلف خيار از خود نشان دادند. در مقايسه دو روش يادگيري انتقال با شبكه پيشنهادي، شبكه طراحي شده با تعداد پارامترهاي كم و لايه هاي به مرتب كمتر توانست بهترين عملكرد را در طبقه بندي با دقت 91 درصد كسب كند.
    Thesis summary

  8. بهره گيري ازشبكه هاي عصبي كانولوشني (CNN) درتشخيص فندق هاي ناسالم و دهان بسته
    عليرضا شجاعيان 2021
    خندان كردن فندق به منظور استفاده آن در آجيل يكي از مراحل اصلي فرآوري اين محصول است. هرچند دستگاه-هاي مختلفي براي اين كار ابداع و ساخته شده اند اما به دليل اندازه ها و شكل هاي مختلف اين محصول، مقدار قابل توجهي از فندق ها در پروسه ترك زني به صورت نيمه ترك يا بدون ترك از دستگاه خارج مي شوند. تشخيص نمونه هايي با ترك هاي ريز و بدون ترك و تفكيك آن ها از نمونه هاي خندان، مي تواند در جداسازي اين محصول براي مراحل بعدي ترك زني و كاهش تلفات مفيد باشد. شناسايي ترك هاي خيلي ريز يا نمونه هاي بدون ترك توسط اپراتور كار وقت گير، پرهزينه و طاقت فرسايي است. بنابراين استفاده از روش هاي سريع و نوين الگو يابي در پردازش تصوير و شناسايي كلاس هاي مختلف محصول فندق مي تواند راهكار مناسبي در طبقه بندي اين محصول باشد. در اين پژوهش با بهره گيري از مهم ترين روش هوش مصنوعي بنام يادگيري عميق و تركيب عمليات كانولوشن و شبكه عصبي، تشخيص الگو و يادگيري انجام گرفت. در تحقيق حاضر با بهره گيري از دو روش يادگيري انتقال و طراحي شبكه كانولوشني پيشنهادي، الگوريتم مناسب براي طبقه بندي و شناسايي كلاس ها انجام گرفت. در روش يادگيري انتقال، از سه شبكه پيش آموزش ديده شده Inception-v3، VGG-19، Resnet-50 استفاده گرديد و در الگوريتم پيشنهادي نيز با بررسي لايه ها و ساختارهاي مختلف آن عملكرد مدل بررسي و با روش يادگيري انتقال مقايسه گرديد. در بررسي عملكرد مدل ها از شاخص هاي ارزيابي حساسيت، صحت، دقت و شاخص f-score استفاده گرديد. با توجه به نتايج، اگرچه تمامي مدل ها پتانسيل اميدواركننده اي براي طبقه بندي سه كلاس مختلف فندق از خود نشان دادند. از ميان سه روش يادگيري انتقال، شبكه Inception v3 بهترين نتايج را با دقت 99 درصد و شاخص F-score، 98/0 ارائه داد ولي در مدل Resnet دقت 72 درصد و F-score، 71/0 به دست آمد. در الگوريتم پيشنهادي با استفاده از سه لايه كانولوشني با تعداد فيلترهاي به ترتيب 16، 32 و 64 در هر لايه و 64 نرون در لايه شبكه عصبي دقت 98/0 حاصل شد. در مقايسه شبكه هاي مختلف آموزشي، نتايج نهايي نشان داد كه شبكه پيشنهادي از قابليت خوبي در طبقه بندي سه كلاس داشته و مي تواند جايگزين مناسبي براي طبقه بندي محصول باشد. حجم و تعداد پارامترهاي كمتر در اين شبكه باعث افزايش سرعت در شناسايي كلاس ها گرديد. به طوري كه مدت زمان آموزش
    Thesis summary

  9. طراحي، ساخت و ارزيابي سكوي شناور دستگاه برداشت نخود ديم پابلند
    پژمان روتابي دهلقي 2020
    گياه نخود با نام علمي L. Cicer arietinumو از خانواده لگومينوزه، گياهي دولپه اي است كه تقريبا 25 تا 50 سانتي‎متر ارتفاع دارد. اين گياه به دليل دارا بودن مقادير بالاي پروتئين، ويتامين و همچنين ساير ريز مغذي ها، نقش بسيار مهمي در سلامتي انسان دارد. نخود سال هاي زيادي است كه در ايران كاشته مي شود ولي بدليل عملكرد پايين هنوز نتوانسته به عنوان يك محصول مهم و استراتژيك نقش بسزايي در اقتصاد بخش كشاورزي ايفا كند. يكي از دلايل عملكرد پايين اين محصول در كشور، عدم بكارگيري روش مناسب برداشت و بالا بودن ضايعات محصول است‎. با بررسي هاي انجام شده تقريبا بجز عمليات شخم و در مواردي كاشت‎،كليه عمليات زراعي براي اين محصول بصورت دستي انجام مي گيرد. يكي از معايب روش دستي اين است كه چون محصول به همراه ريشه از زمين كنده مي‎شود، غده هاي تثبيت كننده ازت از خاك خارج شده و خاك تا حدي از لحاظ ازت و مواد آلي فقير مي گردد و از طرفي بدليل جابجايي بيشتر و خشك بودن محصول، ريزش زيادي اتفاق مي‎افتد. با توجه به بررسي تمامي منابع موجود، مشخص گرديد كه در بين تمامي دستگاه هاي ساخته شده، سكوي برش قابل قبولي كه علاوه بر هدايت مناسب محصول به واحد برش با سرعت عمل بالا، ريزش غلاف-هاي كنده شده را به حداقل برساند، وجود ندارد. در نتيجه ساخت هد شناوري كه بتواند تلفات را به حداقل برساند، لازم و ضروري است. در اين پژوهش، پس از طراحي و مدل سازي دستگاه به وسيله نرم افزار ساليدورك، دستگاه در كارگاه ماشين هاي كشاورزي گروه بيوسيستم ساخته شد. پس از اتمام ساخت، دستگاه در مزرعه آزمايشگاهي عباس آباد دانشگاه كه با نخود رقم منصور به دو روش مكانيزه و دستي كشت شده بود، در چندين نوبت مورد تست و ارزيابي اوليه قرار گرفت و پس از رفع ايرادات جزئي در همان محل ارزيابي نهايي صورت پذيرفت كه بسيار رضايت بخش بود. يكي از قابليت هاي مهم اين دستگاه، توانايي طي كردن از روي مسيرهايي با پستي و بلندي زياد است. نحوه قرار گرفتن اجزا و نيروي محركه مكانيزم ها، به كل سيستم اين قابليت را مي دهد كه از روي هر نوع موانعي عبور كند. يكي از بارزترين مزيت هاي اين دستگاه قرار گيري هيدروموتور بر روي تيغه برش مي باشد كه به سيستم اجازه مي دهد در هر وضعيتي عمل برش را انجام دهد. يكي ديگر از قابليت هاي اين دستگاه، داشتن كفشك تنظيم پذير فنردار است كه در آن از يك لوله
    Thesis summary

  10. بهينه سازي و ارزيابي دستگاه جمع كن خودكار مالچ پلاستيكي نازك
    مهرداد فيضي 2020
    در سال هاي اخير به دليل مسئله كم آبي و كاهش راندمان آبياري، توجه بيشتري به روش هاي جديد آبياري مانند باراني و قطره اي شده است. كاشت به روش مالچ پلاستيكي يكي از روش هاي موثر در افزايش دماي خاك براي كشت هاي زود هنگام مي باشد. كاهش مصرف آب كشاورزي، افزايش بازده استفاده از كودهاي شيميايي، حفاظت از خاك و جلوگيري از رشد علف هاي هرز از مهمترين مزاياي استفاده از مالچ پلاستيكي مي باشند. اگر چه اين روش مزاياي زيادي دارد ولي پس از برداشت محصول، انبوه زيادي از پلاستيك در مزرعه باقي مي ماند و اين امر مشكلات جديد زيست محيطي را باعث شده است. هرچند روش هاي مختلفي در جهان براي جمع آوري پلاستيك هاي ضخيم ابداع شده است ولي هيچ كدام از آن ها براي پلاستيك هاي ضعيف و نازك كارآمد نيستند. بنابراين هدف اصلي اين پژوهش، بهينه سازي، طراحي و ساخت دستگاه جمع كن خودكار مالچ پلاستيكي است كه بتواند پلاستيك هاي پسماند را پس از برداشت محصول از مزرعه جمع آوري كند. در اين پژوهش، پس از طراحي و مدل سازي دستگاه به-وسيله نرم افزار ساليدوركس، شاسي دستگاه در كارگاه ماشين هاي كشاورزي گروه بيوسيستم، روتور برشي پلاستيك در شركت ماشين زراعت همدان واقع در شهرك صنعتي بوعلي و بقيه واحد ها از جمله سيلندر بردارنده و بخش مخزن نيز در كارگاه توليدي ادوات كشاورزي ياشيل اطلس بهار ساخته شدند. تست آزمايشي دستگاه در مزرعه اي واقع در شهر بهار و تست هاي نهايي نيز در مزرعه هندوانه واقع در روبروي شهرك صنعتي بوعلي كه پاييز سال 98 محصول آن برداشت شده بود، انجام گرفت. نتايج حاصل از تست روتور برشي هر چند در مزرعه آزمايشي رضايت بخش بود ولي عملكرد آن در مزرعه واقعي به دليل جمع شدن بقاياي گياهي بر روي آن، مناسب نبود. در نتيجه به دليل اختلال در كاركرد كل دستگاه، اين بخش از روي سيستم حذف شد. پس از اتمام فرآيند ساخت و رضايت مندي از تست هاي مزرعه شبيه سازي شده، مجددا دستگاه به مزرعه واقعي منتقل و مورد تست و ارزيابي نهايي قرار گرفت كه نتايج آن كاملا رضايت بخش بود. با بهينه سازي قسمت هاي اصلي، اعم از اضافه نمودن تيغه برشي خاك، زنجير نقاله و انتقال استوانه بردارنده به سطح بالاي خاك، مشكل تراز طولي حل شد. با انتقال مخزن به پشت دستگاه، حجم آن افزايش پيدا كرد و تخليه آن نيز راحت تر گرديد. اين دستگاه مشابه خارجي و داخلي نداشته و برخلاف تمامي دستگاه
    Thesis summary

  11. مديريت نيتروژن مصرفي گياه سير و اسفناج با استفاده از حسگر مجاورتي GreenSeeker
    مهران هاشمي جوزاني 2019
    چكيده: نيتروژن (N) يكي از مهم ترين مواد مغذي مورد نياز براي رشد گياهان و محصول مي باشد. براي جلوگيري از هدررفت كود N و كاهش تجمع نيترات در گياهان و هم چنين كم كردن ضررهاي اقتصادي و محيط زيستي، لازم است اين كود در زمان، مكان و مقدار صحيح استفاده شود. براي بهينه سازي و افزايش بازده مصرف كود N مي توان از شاخص اختلاف پوشش گياهي نرمال شده (NDVI) بدست آمده از حسگر مجاورتي GreenSeeker (GS) و شاخص سطح برگ (LAI) حاصل از پردازش تصاوير ديجيتال، به صورت غيرمخرب استفاده كرد. بنابراين هدف از انجام اين پژوهش، بررسي توانايي حسگر GS در تخمين عملكرد و سطح نيتروژن دو محصول سير و اسفناج، بررسي ارتباط بين دو شاخص NDVI و LAI و مقايسه دقت دو حسگر GS و SPAD در تشخيص سبزينگي مي باشد. آزمايش ها در زمستان 1396 و بهار 1397، در قالب طرح بلوك هاي كامل تصادفي و در 3 تكرار، در مزرعه تحقيقاتي گروه زراعت و اصلاح نباتات دانشگاه بوعلي سيناي همدان انجام شد. در اين پژوهش، از 5 تيمار كودي N0، N50، N100، N150 و N200 براي سير و 4 تيمار كودي N0، N75، N150 و N300 براي اسفناج استفاده شد. در بررسي اثر N بر خروجي حسگر GS، بهترين واكنش نسبت به تيمارهاي كودي فقط در اسفناج مشاهده شد. تحليل هاي رگرسيوني نشان داد كه در گياه اسفناج همبستگي معني داري به ترتيب برابر با 91/0 و 87/0 (05/0p<) بين شاخص NDVI با تيمار كودي N و هم چنين NDVI و عملكرد بوته وجود دارد. در حالي كه براي گياه سير بين اين شاخص ها همبستگي معني داري يافت نشد. نتايج پردازش تصوير نشان داد كه بهترين تابع جداسازي زمينه خاك از سطح برگ، تابع G-R مي باشد. براي گياه سير و اسفناج، بين دو شاخص NDVI و LAI همبستگي مناسب و معني داري به ترتيب برابر با 69/0 و 92/0 بدست آمد. در كل مي توان چنين نتيجه گرفت كه حسگر GS دستگاه مناسبي براي تخمين عملكرد غده و سطح N گياه سير نمي باشد، ولي براي تخمين عملكرد بوته و سطح N اسفناج نتايج رضايت بخشي نشان داد. هم چنين در مقايسه دو محصول سير به عنوان گياه باريك برگ و اسفناج به عنوان گياه پهن برگ، اين حسگر در تشخيص سبزينگي محصول پهن برگ موفق تر عمل كرده است.
    Thesis summary

  12. ارزيابي غيرمخرب رسيدگي ميوه انار در پايان دوره رشد
    بابك ختار 2019
    استفاده از تكنولوژي در حوزه كشاورزي نقش بسيار مهمي در توليد غذاي مورد نياز بشر دارد. به دليل اهميت كيفيت محصولاتي زراعي در بخش صادرات، استفاده از روش هاي نوين در ارزيابي كيفيت محصولات باغي مورد توجه بسياري از توليدكنندگان و صادركنندگان قرار گرفته است. انار ايران از محصولاتي است كه در بازار هاي جهاني بي رقيب بوده و در چند سال اخير از نظر صادرات رتبه اول دنيا را به خود اختصاص داده است. با در نظر گرفتن اهميت ميوه انار و نقش مهم آن در صادرات، سلامت و كيفيت اين ميوه بسيار حائز اهميت است. بنابراين تشخيص ميزان خشكي يا رطوبت انار به عنوان يك خاصيت مهم، هدف اصلي اين پژوهش مي باشد. در اين پژوهش تشخيص ميزان رطوبت انار با استفاده از روش غيرمخرب تصويربرداري حرارتي فعال انجام شد. نمونه هاي انار به سه دسته سطح رطوبت بالا، متوسط و كم تقسيم شدند. نمونه هاي سطح رطوبت بالا به عنوان انارهاي آبدار و نمونه هاي سطح رطوبت متوسط و كم به عنوان انارهاي نارس و خشك در نظر گرفته شدند. براي انجام تصويربرداري از دوربين حرارتي FLIR مدل E40 در يك محفظه تاريك استفاده شد. دماي نمونه ها به صورت مستقيم توسط دوربين حرارتي اندازه گيري و تغييرات دمايي آن ها نيز در گذر زمان ثبت شد. براي بررسي اختلاف آماري در سطوح مختلف رطوبت از تحليل آزمون واريانس ANOVA يك طرفه استفاده شد. مقايسه ميانگين ها نيز به روش دانكن انجام گرفت. نتايج اين تحقيق نشان داد كه نمونه هاي كاملا آبدار با قابليت اطمينان 95 درصد قابل تشخيص بوده و نمونه هاي با رطوبت متوسط و كم آب نيز با خطاي آماري 10 درصد قابل تفكيك از همديگر مي باشند. نتايج كلي اين پژوهش نشان داد كه روش غيرمخرب تصويربرداري حرارتي فعال مي تواند يك روش مناسب براي ارزيابي ميزان رطوبت ميوه انار باشد.
    Thesis summary

  13. تهيه نقشه عملكرد كيفي محصول گندم با استفاده از طيف سنجي فروسرخ نزديك (NIR)
    بهنام فروزاني 2018
    چكيده: گندم در دنيا بالاترين سطح كشت و توليد را در بين تمام گياهان به خود اختصاص داده است. با توجه به اينكه محصولات فرآوري شده از گندم زياد است اهميت كيفيت اين غله بايد مورد بررسي قرار گيرد. پروتئين به عنوان يكي از مهم ترين تركيبات در دانه نقش به سزايي در فرآوري اين محصولات دارد. براي تعيين خصوصيات كمي و كيفي محصولات كشاورزي از روش هاي مخرب و غيرمخرب استفاده مي شود. روش هاي مخرب عموماً معايبي چون هزينه بالا و تلفات ناشي از تخريب نمونه را دارند. بنابراين استفاده از روش هاي غيرمخرب كه حتي مي تواند به صورت برخط در صنعت استفاده شود، معقول و به صرفه است. طيف سنجي NIR به عنوان يك روش غيرمخرب، توانايي نمايش جزئيات تركيبي مواد و اندازه گيري تركيبات مواد بيولوژيكي را دارد. هدف از تحقيق حاضر، دستيابي به ميزان پروتئين دانه گندم با استفاده از روش طيف سنجي NIR است كه نتيجه آن در مزرعه به صورت نقشه كيفي ارائه مي شود. بدين منظور نمونه برداري از مزارع سه رقم گندم مختلف صورت گرفت. طيف سنجي از نمونه ها با استفاده از يك اسپكتروفوتومتر در محدوده طيفي 1650-950 نانومتر انجام شد. درصد پروتئين نمونه ها نيز با استفاده از روش كجلدال به دست آمد. با استفاده از روش هاي رگرسيون چند متغيره خطي PCR و PLSR، مدل سازي بر پايه اندازه گيري هاي مرجع و اطلاعات طيف هاي پيش پردازش شده با تركيبات مختلف صورت گرفت. نتايج نشان داد كه مدل رگرسيوني PLSR به همراه پيش-پردازش SGD+SNV به عنوان بهترين روش مدل سازي در تخمين مقدار پروتئين انتخاب شد. در اين مدل مقدار ضريب رگرسيون (R2)، RMSE و SDR براي مقادير پيشگويي به ترتيب برابر با (84/0)، (835/0) و (54/2) به دست آمد. با توجه به اين كه روش طيف سنجي و مدل حاصله، توانست پروتئين گندم را با صحت و دقت بالايي برآورد؛ بنابراين مي توان از روش طيف سنجي NIR به عنوان يك روش غيرمخرب براي تخمين پارامتر كيفي گندم استفاده نمود. نتايج بررسي تغييرات پروتئين در داخل مزرعه نشان داد كه اختلاف معني داري در سطح آماري 5 درصد بين ميانگين پروتئين ها در مكان هاي مختلف وجود دارد. بنابراين نقشه تهيه شده مي تواند اطلاعات مفيدي از تغييرات پروتئين در سطح مزرعه را ارائه دهد. درنهايت با استفاده از داده هاي حاصل از مدل سازي و مرجع، نقشه هاي مزارع با روش ميان يابي اسپيلاين توسط نرم افزار Arc GIS براي ش
    Thesis summary

  14. مدلسازي انرژي مصرفي و ميزان انتشار گازهاي گلخانه اي در توليد پرتقال و توت فرنگي با استفاده از شبكه عصبي مصنوعي (مطالعه موردي: شهرستان دزفول)
    فاطمه سبزعليپورحاجي اباد 2018
    در اين تحقيق بررسي و مدل سازي انرژي مصرفي و نشر آلايندگي براي توليد دو محصول پرتقال و توت فرنگي شهرستان دزفول با استفاده از شبكه عصبي مصنوعي و عصبي فازي انجام گرفت. همچنين ارزيابي كارايي واحدهاي توليدي نيز با بهره گيري از تكنيك تحليل پوششي داده ها و الگوريتم ژنتيك انجام شده است. نتايج حاصل از اين پژوهش نشان داد كه كل انرژي مورد نياز در توليد محصولات پرتقال و توت فرنگي به ترتيب حدود 79/44393 و 25/36257 مگاژول بر هكتار مي باشد. در محصول پرتقال و توت فرنگي بيشترين ميزان مصرف نهاده به ترتيب با 23/77% و 50% به كودهاي شيميايي و مخصوصاً ازت تعلق داشته است و در هر دو محصول سهم انرژي هاي تجديدناپذير بسيار بيشتر از منابع تجديدپذير بود. شاخص نسبت انرژي براي اين محصولات به ترتيب 78/0 و 85/0 محاسبه شد. همچنين ميزان انتشار گازهاي گلخانه اي در توليد اين محصولات به ترتيب 22/1045 و 50/612 كيلوگرم دي اكسيد كربن بر هكتار محاسبه شد كه براي محصول پرتقال، ازت (با 9/54%) و سوخت (با 9/22%) و براي محصول توت فرنگي، ازت (با 43%) و سموم (با 21%) پر نشرترين نهاده ها محسوب شدند. نتايج شبكه عصبي نشان داد كه بهترين ساختارها براي مدل سازي انرژي مصرفي و نشر گازهاي گلخانه اي براي دو محصول پرتقال و توت فرنگي به ترتيب 2-4-7 و 2-6-7 تخمين زده شدند كه در هر دو مدل ضريب همبستگي بالاي 90% برآورد شدند. همچنين نتايج مدلسازي با استفاده از انفيس نشان داد كه در هر دو مدل ضريب همبستگي بيش از 90% است. براي بهينه كردن انرژي با استفاده از تحليل پوششي داده ها، مدل ورودي محور DEA مورد استفاده قرار گرفت. در توليد محصولات پرتقال و توت فرنگي ميانگين كارايي فني(كل) در مصرف انرژي به ميزان 949/0 و 982/0 محاسبه شد. بهينه سازي مصرف انرژي با استفاده از DEA نشان داد كه حدود 94/1 % از انرژي توت فرنگي و 36/4% از انرژي پرتقال پتانسيل ذخيره شدن دارند. همچنين قادر به كاهش 24/13 و 38/34 كيلوگرم كربن دي اكسيد بر هكتار از گازهاي گلخانه اي در محصولات توت فرنگي و پرتقال مي گردد. مقايسه نتايج بهينه يابي نتايج تحليل پوششي داده ها و الگوريتم ژنتيك چندهدفه نشان داد ميزان مصرف بهينه نهاده ها كه از بهينه يابي چندهدفه حاصل شده است به طور معناداري كمتر از نتايج تحليل پوششي داده ها بوده است. بر اين اساس در بهينه ترين حالت مصرف، انرژي كل نهاده ها
    Thesis summary