Hossein Bagherpour

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

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

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

گل رز بانام علمی Rosa Hybrida، از خانواده گل سرخیان یا Rosaceae مهم ترین گل تجاری شاخه بریده در سراسر دنیاست. یکی از مراحل مهم تولید گل رز، درجه بندی است که دارای استانداردهایی در هر منطقه از دنیاست. این کار می تواند به صورت دستی توسط افراد باتجربه انجام گیرد که فرایندی پر خطا و زمان بر است همچنین در گلخانه های تجاری با میزان تولید بالا امکان پذیر نیست؛ اما تکنولوژی های به روز در مراحل تولید گل رز چند سالی است که مورداستفاده قرار می گیرد. استفاده از هوش مصنوعی در مرحله درجه بندی و پس از برداشت گل رز در خط تولید کشورهای پیشرفته استفاده می شود. در پژوهش حاضر با استفاده از یادگیری عمیق (DL) تصاویری از گل های رز رقم آوالانچ که به تعداد بالا و وضوح کافی تهیه شده بود، به شبکه های عصبی با مدل های وی جی جی، رزنت، اینسپشن و ایکسپشن تغذیه شدند که نتایج زیر به دست آمد. در همه مدل های از پیش آموزش دیده شده دراپ اوت تأثیر مثبتی بر دقت شبکه نداشت؛ اما در مدل پیشنهادی اضافه کردن 0.1 دراپ اوت تأثیر مثبتی بر عملکرد شبکه گذاشت. در شبکه وی جی جی بیشترین میزان دقت در تعداد نورون 64 مشاهده شد. میزان دقت در این شبکه 96 درصد بود. شبکه رزنت عملکرد مطلوبی در این پژوهش از خود به نمایش نگذاشت به طوری که صحت نتایج آن در تشخیص محصول درجه یک و درجه دو به ترتیب 78 و 82 درصد بود که نشان از عدم توانایی این شبکه در تفکیک داده ها بود. از طرفی شبکه اینسپشن نیز همانند رزنت نتایج قابل اعتمادی در این پژوهش نداشت به طوری که دقت آن 80 درصد گزارش شد. دقت شبکه ایکسپشن در پژوهش حاضر 100 درصد گزارش شد که نشان از کارآمدی مدل است. در انتها نتایج در مدل پیشنهادی پژوهشگر بدین صورت ثبت شد. در این مدل تعداد نرون ها به 128 افزایش یافته. همچنین از چهار لایه عصبی کانولوشن استفاده شد که در هر لایه چهار فیلتر 16، 32، 64 و 128 تایی به کار گرفته شد و نتایج نشان داد افزایش تعداد فیلترها در هر لایه سبب افزایش دقت شبکه عصبی از 96 درصد به 99 درصد می شود. پس به طورکلی در این پژوهش کمترین دقت مربوط به مدل رزنت (80 درصد) و بیشترین آن مربوط به مدل پیشنهادی (98 درصد) و مدل ایکسپشن (100 درصد) بود. قدرتمندترین مدل در تفکیک گل های درجه یک از درجه دو به ترتیب مربوط به شبکه های ایکسپشن (100 درصد)، پیشنهادی (99 درصد) و وی جی جی (95.5) بو

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.

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.

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.

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

گیاه نخود با نام علمی L. Cicer arietinumو از خانواده لگومینوزه، گیاهی دولپه ای است که تقریبا 25 تا 50 سانتی‎متر ارتفاع دارد. این گیاه به دلیل دارا بودن مقادیر بالای پروتئین، ویتامین و همچنین سایر ریز مغذی ها، نقش بسیار مهمی در سلامتی انسان دارد. نخود سال های زیادی است که در ایران کاشته می شود ولی بدلیل عملکرد پایین هنوز نتوانسته به عنوان یک محصول مهم و استراتژیک نقش بسزایی در اقتصاد بخش کشاورزی ایفا کند. یکی از دلایل عملکرد پایین این محصول در کشور، عدم بکارگیری روش مناسب برداشت و بالا بودن ضایعات محصول است‎. با بررسی های انجام شده تقریبا بجز عملیات شخم و در مواردی کاشت‎،کلیه عملیات زراعی برای این محصول بصورت دستی انجام می گیرد. یکی از معایب روش دستی این است که چون محصول به همراه ریشه از زمین کنده می‎شود، غده های تثبیت کننده ازت از خاک خارج شده و خاک تا حدی از لحاظ ازت و مواد آلی فقیر می گردد و از طرفی بدلیل جابجایی بیشتر و خشک بودن محصول، ریزش زیادی اتفاق می‎افتد. با توجه به بررسی تمامی منابع موجود، مشخص گردید که در بین تمامی دستگاه های ساخته شده، سکوی برش قابل قبولی که علاوه بر هدایت مناسب محصول به واحد برش با سرعت عمل بالا، ریزش غلاف-های کنده شده را به حداقل برساند، وجود ندارد. در نتیجه ساخت هد شناوری که بتواند تلفات را به حداقل برساند، لازم و ضروری است. در این پژوهش، پس از طراحی و مدل سازی دستگاه به وسیله نرم افزار سالیدورک، دستگاه در کارگاه ماشین های کشاورزی گروه بیوسیستم ساخته شد. پس از اتمام ساخت، دستگاه در مزرعه آزمایشگاهی عباس آباد دانشگاه که با نخود رقم منصور به دو روش مکانیزه و دستی کشت شده بود، در چندین نوبت مورد تست و ارزیابی اولیه قرار گرفت و پس از رفع ایرادات جزئی در همان محل ارزیابی نهایی صورت پذیرفت که بسیار رضایت بخش بود. یکی از قابلیت های مهم این دستگاه، توانایی طی کردن از روی مسیرهایی با پستی و بلندی زیاد است. نحوه قرار گرفتن اجزا و نیروی محرکه مکانیزم ها، به کل سیستم این قابلیت را می دهد که از روی هر نوع موانعی عبور کند. یکی از بارزترین مزیت های این دستگاه قرار گیری هیدروموتور بر روی تیغه برش می باشد که به سیستم اجازه می دهد در هر وضعیتی عمل برش را انجام دهد. یکی دیگر از قابلیت های این دستگاه، داشتن کفشک تنظیم پذیر فنردار است که در آن از یک لوله

در سال های اخیر به دلیل مسئله کم آبی و کاهش راندمان آبیاری، توجه بیشتری به روش های جدید آبیاری مانند بارانی و قطره ای شده است. کاشت به روش مالچ پلاستیکی یکی از روش های موثر در افزایش دمای خاک برای کشت های زود هنگام می باشد. کاهش مصرف آب کشاورزی، افزایش بازده استفاده از کودهای شیمیایی، حفاظت از خاک و جلوگیری از رشد علف های هرز از مهمترین مزایای استفاده از مالچ پلاستیکی می باشند. اگر چه این روش مزایای زیادی دارد ولی پس از برداشت محصول، انبوه زیادی از پلاستیک در مزرعه باقی می ماند و این امر مشکلات جدید زیست محیطی را باعث شده است. هرچند روش های مختلفی در جهان برای جمع آوری پلاستیک های ضخیم ابداع شده است ولی هیچ کدام از آن ها برای پلاستیک های ضعیف و نازک کارآمد نیستند. بنابراین هدف اصلی این پژوهش، بهینه سازی، طراحی و ساخت دستگاه جمع کن خودکار مالچ پلاستیکی است که بتواند پلاستیک های پسماند را پس از برداشت محصول از مزرعه جمع آوری کند. در این پژوهش، پس از طراحی و مدل سازی دستگاه به-وسیله نرم افزار سالیدورکس، شاسی دستگاه در کارگاه ماشین های کشاورزی گروه بیوسیستم، روتور برشی پلاستیک در شرکت ماشین زراعت همدان واقع در شهرک صنعتی بوعلی و بقیه واحد ها از جمله سیلندر بردارنده و بخش مخزن نیز در کارگاه تولیدی ادوات کشاورزی یاشیل اطلس بهار ساخته شدند. تست آزمایشی دستگاه در مزرعه ای واقع در شهر بهار و تست های نهایی نیز در مزرعه هندوانه واقع در روبروی شهرک صنعتی بوعلی که پاییز سال 98 محصول آن برداشت شده بود، انجام گرفت. نتایج حاصل از تست روتور برشی هر چند در مزرعه آزمایشی رضایت بخش بود ولی عملکرد آن در مزرعه واقعی به دلیل جمع شدن بقایای گیاهی بر روی آن، مناسب نبود. در نتیجه به دلیل اختلال در کارکرد کل دستگاه، این بخش از روی سیستم حذف شد. پس از اتمام فرآیند ساخت و رضایت مندی از تست های مزرعه شبیه سازی شده، مجددا دستگاه به مزرعه واقعی منتقل و مورد تست و ارزیابی نهایی قرار گرفت که نتایج آن کاملا رضایت بخش بود. با بهینه سازی قسمت های اصلی، اعم از اضافه نمودن تیغه برشی خاک، زنجیر نقاله و انتقال استوانه بردارنده به سطح بالای خاک، مشکل تراز طولی حل شد. با انتقال مخزن به پشت دستگاه، حجم آن افزایش پیدا کرد و تخلیه آن نیز راحت تر گردید. این دستگاه مشابه خارجی و داخلی نداشته و برخلاف تمامی دستگاه

چکیده: نیتروژن (N) یکی از مهم ترین مواد مغذی مورد نیاز برای رشد گیاهان و محصول می باشد. برای جلوگیری از هدررفت کود N و کاهش تجمع نیترات در گیاهان و هم چنین کم کردن ضررهای اقتصادی و محیط زیستی، لازم است این کود در زمان، مکان و مقدار صحیح استفاده شود. برای بهینه سازی و افزایش بازده مصرف کود N می توان از شاخص اختلاف پوشش گیاهی نرمال شده (NDVI) بدست آمده از حسگر مجاورتی GreenSeeker (GS) و شاخص سطح برگ (LAI) حاصل از پردازش تصاویر دیجیتال، به صورت غیرمخرب استفاده کرد. بنابراین هدف از انجام این پژوهش، بررسی توانایی حسگر GS در تخمین عملکرد و سطح نیتروژن دو محصول سیر و اسفناج، بررسی ارتباط بین دو شاخص NDVI و LAI و مقایسه دقت دو حسگر GS و SPAD در تشخیص سبزینگی می باشد. آزمایش ها در زمستان 1396 و بهار 1397، در قالب طرح بلوک های کامل تصادفی و در 3 تکرار، در مزرعه تحقیقاتی گروه زراعت و اصلاح نباتات دانشگاه بوعلی سینای همدان انجام شد. در این پژوهش، از 5 تیمار کودی N0، N50، N100، N150 و N200 برای سیر و 4 تیمار کودی N0، N75، N150 و N300 برای اسفناج استفاده شد. در بررسی اثر N بر خروجی حسگر GS، بهترین واکنش نسبت به تیمارهای کودی فقط در اسفناج مشاهده شد. تحلیل های رگرسیونی نشان داد که در گیاه اسفناج همبستگی معنی داری به ترتیب برابر با 91/0 و 87/0 (05/0p<) بین شاخص NDVI با تیمار کودی N و هم چنین NDVI و عملکرد بوته وجود دارد. در حالی که برای گیاه سیر بین این شاخص ها همبستگی معنی داری یافت نشد. نتایج پردازش تصویر نشان داد که بهترین تابع جداسازی زمینه خاک از سطح برگ، تابع G-R می باشد. برای گیاه سیر و اسفناج، بین دو شاخص NDVI و LAI همبستگی مناسب و معنی داری به ترتیب برابر با 69/0 و 92/0 بدست آمد. در کل می توان چنین نتیجه گرفت که حسگر GS دستگاه مناسبی برای تخمین عملکرد غده و سطح N گیاه سیر نمی باشد، ولی برای تخمین عملکرد بوته و سطح N اسفناج نتایج رضایت بخشی نشان داد. هم چنین در مقایسه دو محصول سیر به عنوان گیاه باریک برگ و اسفناج به عنوان گیاه پهن برگ، این حسگر در تشخیص سبزینگی محصول پهن برگ موفق تر عمل کرده است.

استفاده از تکنولوژی در حوزه کشاورزی نقش بسیار مهمی در تولید غذای مورد نیاز بشر دارد. به دلیل اهمیت کیفیت محصولاتی زراعی در بخش صادرات، استفاده از روش های نوین در ارزیابی کیفیت محصولات باغی مورد توجه بسیاری از تولیدکنندگان و صادرکنندگان قرار گرفته است. انار ایران از محصولاتی است که در بازار های جهانی بی رقیب بوده و در چند سال اخیر از نظر صادرات رتبه اول دنیا را به خود اختصاص داده است. با در نظر گرفتن اهمیت میوه انار و نقش مهم آن در صادرات، سلامت و کیفیت این میوه بسیار حائز اهمیت است. بنابراین تشخیص میزان خشکی یا رطوبت انار به عنوان یک خاصیت مهم، هدف اصلی این پژوهش می باشد. در این پژوهش تشخیص میزان رطوبت انار با استفاده از روش غیرمخرب تصویربرداری حرارتی فعال انجام شد. نمونه های انار به سه دسته سطح رطوبت بالا، متوسط و کم تقسیم شدند. نمونه های سطح رطوبت بالا به عنوان انارهای آبدار و نمونه های سطح رطوبت متوسط و کم به عنوان انارهای نارس و خشک در نظر گرفته شدند. برای انجام تصویربرداری از دوربین حرارتی FLIR مدل E40 در یک محفظه تاریک استفاده شد. دمای نمونه ها به صورت مستقیم توسط دوربین حرارتی اندازه گیری و تغییرات دمایی آن ها نیز در گذر زمان ثبت شد. برای بررسی اختلاف آماری در سطوح مختلف رطوبت از تحلیل آزمون واریانس ANOVA یک طرفه استفاده شد. مقایسه میانگین ها نیز به روش دانکن انجام گرفت. نتایج این تحقیق نشان داد که نمونه های کاملا آبدار با قابلیت اطمینان 95 درصد قابل تشخیص بوده و نمونه های با رطوبت متوسط و کم آب نیز با خطای آماری 10 درصد قابل تفکیک از همدیگر می باشند. نتایج کلی این پژوهش نشان داد که روش غیرمخرب تصویربرداری حرارتی فعال می تواند یک روش مناسب برای ارزیابی میزان رطوبت میوه انار باشد.

چکیده: گندم در دنیا بالاترین سطح کشت و تولید را در بین تمام گیاهان به خود اختصاص داده است. با توجه به اینکه محصولات فرآوری شده از گندم زیاد است اهمیت کیفیت این غله باید مورد بررسی قرار گیرد. پروتئین به عنوان یکی از مهم ترین ترکیبات در دانه نقش به سزایی در فرآوری این محصولات دارد. برای تعیین خصوصیات کمی و کیفی محصولات کشاورزی از روش های مخرب و غیرمخرب استفاده می شود. روش های مخرب عموماً معایبی چون هزینه بالا و تلفات ناشی از تخریب نمونه را دارند. بنابراین استفاده از روش های غیرمخرب که حتی می تواند به صورت برخط در صنعت استفاده شود، معقول و به صرفه است. طیف سنجی NIR به عنوان یک روش غیرمخرب، توانایی نمایش جزئیات ترکیبی مواد و اندازه گیری ترکیبات مواد بیولوژیکی را دارد. هدف از تحقیق حاضر، دستیابی به میزان پروتئین دانه گندم با استفاده از روش طیف سنجی NIR است که نتیجه آن در مزرعه به صورت نقشه کیفی ارائه می شود. بدین منظور نمونه برداری از مزارع سه رقم گندم مختلف صورت گرفت. طیف سنجی از نمونه ها با استفاده از یک اسپکتروفوتومتر در محدوده طیفی 1650-950 نانومتر انجام شد. درصد پروتئین نمونه ها نیز با استفاده از روش کجلدال به دست آمد. با استفاده از روش های رگرسیون چند متغیره خطی PCR و PLSR، مدل سازی بر پایه اندازه گیری های مرجع و اطلاعات طیف های پیش پردازش شده با ترکیبات مختلف صورت گرفت. نتایج نشان داد که مدل رگرسیونی PLSR به همراه پیش-پردازش SGD+SNV به عنوان بهترین روش مدل سازی در تخمین مقدار پروتئین انتخاب شد. در این مدل مقدار ضریب رگرسیون (R2)، RMSE و SDR برای مقادیر پیشگویی به ترتیب برابر با (84/0)، (835/0) و (54/2) به دست آمد. با توجه به این که روش طیف سنجی و مدل حاصله، توانست پروتئین گندم را با صحت و دقت بالایی برآورد؛ بنابراین می توان از روش طیف سنجی NIR به عنوان یک روش غیرمخرب برای تخمین پارامتر کیفی گندم استفاده نمود. نتایج بررسی تغییرات پروتئین در داخل مزرعه نشان داد که اختلاف معنی داری در سطح آماری 5 درصد بین میانگین پروتئین ها در مکان های مختلف وجود دارد. بنابراین نقشه تهیه شده می تواند اطلاعات مفیدی از تغییرات پروتئین در سطح مزرعه را ارائه دهد. درنهایت با استفاده از داده های حاصل از مدل سازی و مرجع، نقشه های مزارع با روش میان یابی اسپیلاین توسط نرم افزار Arc GIS برای ش

در این تحقیق بررسی و مدل سازی انرژی مصرفی و نشر آلایندگی برای تولید دو محصول پرتقال و توت فرنگی شهرستان دزفول با استفاده از شبکه عصبی مصنوعی و عصبی فازی انجام گرفت. همچنین ارزیابی کارایی واحدهای تولیدی نیز با بهره گیری از تکنیک تحلیل پوششی داده ها و الگوریتم ژنتیک انجام شده است. نتایج حاصل از این پژوهش نشان داد که کل انرژی مورد نیاز در تولید محصولات پرتقال و توت فرنگی به ترتیب حدود 79/44393 و 25/36257 مگاژول بر هکتار می باشد. در محصول پرتقال و توت فرنگی بیشترین میزان مصرف نهاده به ترتیب با 23/77% و 50% به کودهای شیمیایی و مخصوصاً ازت تعلق داشته است و در هر دو محصول سهم انرژی های تجدیدناپذیر بسیار بیشتر از منابع تجدیدپذیر بود. شاخص نسبت انرژی برای این محصولات به ترتیب 78/0 و 85/0 محاسبه شد. همچنین میزان انتشار گازهای گلخانه ای در تولید این محصولات به ترتیب 22/1045 و 50/612 کیلوگرم دی اکسید کربن بر هکتار محاسبه شد که برای محصول پرتقال، ازت (با 9/54%) و سوخت (با 9/22%) و برای محصول توت فرنگی، ازت (با 43%) و سموم (با 21%) پر نشرترین نهاده ها محسوب شدند. نتایج شبکه عصبی نشان داد که بهترین ساختارها برای مدل سازی انرژی مصرفی و نشر گازهای گلخانه ای برای دو محصول پرتقال و توت فرنگی به ترتیب 2-4-7 و 2-6-7 تخمین زده شدند که در هر دو مدل ضریب همبستگی بالای 90% برآورد شدند. همچنین نتایج مدلسازی با استفاده از انفیس نشان داد که در هر دو مدل ضریب همبستگی بیش از 90% است. برای بهینه کردن انرژی با استفاده از تحلیل پوششی داده ها، مدل ورودی محور DEA مورد استفاده قرار گرفت. در تولید محصولات پرتقال و توت فرنگی میانگین کارایی فنی(کل) در مصرف انرژی به میزان 949/0 و 982/0 محاسبه شد. بهینه سازی مصرف انرژی با استفاده از DEA نشان داد که حدود 94/1 % از انرژی توت فرنگی و 36/4% از انرژی پرتقال پتانسیل ذخیره شدن دارند. همچنین قادر به کاهش 24/13 و 38/34 کیلوگرم کربن دی اکسید بر هکتار از گازهای گلخانه ای در محصولات توت فرنگی و پرتقال می گردد. مقایسه نتایج بهینه یابی نتایج تحلیل پوششی داده ها و الگوریتم ژنتیک چندهدفه نشان داد میزان مصرف بهینه نهاده ها که از بهینه یابی چندهدفه حاصل شده است به طور معناداری کمتر از نتایج تحلیل پوششی داده ها بوده است. بر این اساس در بهینه ترین حالت مصرف، انرژی کل نهاده ها