پیش بینی عملکرد چغندرقند به کمک پردازش تصویر به صورت برخط

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 335

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JRSB-34-2_004

تاریخ نمایه سازی: 22 مهر 1398

چکیده مقاله:

پیش بینی عملکرد محصولات زراعی به منظور تخمین تولید و تعیین میزان نهاده­های کشاورزی مورد نیاز از اهمیت بسیار زیادی در کشاورزی دقیق برخوردار است.. در پژوهش حاضر روشی سریع، دقیق و ارزان برای تخمین عملکرد محصول چغندرقند در دو حالت برگ سبز و سر زنی­شده ارائه شده است. ابتدا از محصول در هر دو حالت تصاویری اخذ گردید، سپس شش ویژگی مورفولوژی شامل: مساحت، محیط، قطر بزرگ، قطر کوچک، قطر معادل و خارج از مرکز بودن، از تصاویر استخراج شد. به منظور انتخاب بهترین ویژگی موثر از آنالیز ضریب همبستگی پیرسون استفاده گردید. ویژگی­هایی که دارای ضریب همبستگی بیش از 0/7 بودند به عنوان ویژگی­های موثر در نظر گرفته شدند. بر این اسا برای دو حالت برگ سبز و سر زنی شده، به ترتیب ویژگی­های مساحت و محیط انتخاب شدند، برای بررسی صحت معادلات خطی تخمین وزن، معادلات به سیستم برخط تشخیص محصول (در دو حالت) داده شد و به صورت بی­درنگ با حرکت تراکتور، وزن ریشه ی چغندرقند تخمین زده شد. نتایج نشان داد که بین وزن واقعی و وزن تخمین زده شده در دو حالت برگ سبز و سرزنی شده، ضریب همبستگی به ترتیب 0/84 و 0/95 وجود داشت. با توجه به نتایج حاصله، از سیستم پردازش تصویر می­توان به عنوان سامانه تخمین بر خط عملکرد محصول چغندرقند استفاده کرد.

نویسندگان

هادی اورک

کارشناسی ارشد- پردازش تصویر، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان. اهواز، ایران.

سامان آبدانان مهدی زاده

استادیار دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان. . اهواز، ایران.

مجید سعدی

دانشجوی کارشناسی ارشد دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان. اهواز، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Amraei S, Abdanan Mehdizade S, Salari S. The system for ...
  • Biancardi E,  McGrath M.J, William Panella L, Stevanato P. Sugar ...
  • Du JX, Wang XF, zhang GJ. Leaf shape based plant ...
  • Food and Agriculture Organization (FAO). 2016. <http://www.fao.org/faostat/en/#data/QC> . ...
  • Godwin RJ, Wheeler PN, O’Dogherty MJ, Watt CD, Richards T. ...
  • Hall TL, Backer LF, Hofman, VL. Sugarbeet yield monitoring for ...
  • Hennens DJ, Baert B, Broos H, Ramon P, DeBaerdemaeker J. ...
  • Kashiha M, Bahr C, Ott S, Moons CP, Niewold TA, ...
  • Khojastehkey M, Abbasi MA, Akbari Sharif A, Hasani AM. Estimation ...
  • Kumhala FV, Prosek M, Kroulik M, Kviz Z. Parallel plate ...
  • Latif al-tojar S, Jafari AA, Nasiri SM, Sharifi H. Sugar ...
  • Liu J, Pattey E. Retrieval of leaf area index from ...
  • Momin MA, Rahman MT, Sultana MS, Igathinathane C, Ziauddin ATM, ...
  • Soille P. Morphological image analysis applied to crop field mapping. ...
  • Tasdemir S, Urkmez A, Inal S. Determination of body measurements ...
  • Venkatesh GV, Lqbal MDS, Gopal A, Ganesan D. Estimation of ...
  • Walter JD, Hofman VL, Backer LF. Site-specific sugar beet yield ...
  • نمایش کامل مراجع