- همه نشریات
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- مجلات ترویجی کشاورزی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
آمار
| تعداد نشریات | 278 |
| تعداد نشریات سازمان | 77 |
| تعداد شماره‌ها | 2,150 |
| تعداد مقالات | 24,855 |
| تعداد مشاهده مقاله | 13,460,285 |
| تعداد دریافت فایل اصل مقاله | 10,841,286 |
تخمین تراکم گیاهچه‌های کلزا در مرحله دوبرگی برمبنای پردازش تصویر و با استفاده از ترکیب الگوریتم‌های مدل مخلوط گوسی و خوشه‌بندی نزدیک‌ترین همسایگی | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 26 تیر 1400 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/amsr.2021.354218.1381 | ||
| نویسندگان | ||
علیرضا رضائی  1؛ سید مرتضی خلیلی2؛ میلاد اسدپور3
| ||
| 1گروه بین رشته ای فناوری بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین دانشگاه تهران، تهران، ایران | ||
| 2فارغ التحصیل کارشناسی ارشد، گروه بین رشته ای فناوری، بخش مکاترونیک و ممز،دانشکده علوم و فنون نوین،دانشگاه تهران، تهران،تهران، ایران | ||
| 3تهران، دانشگاه تهران، دانشکده علوم و فنون نوین، گروه مهندسی مکاترونیک | ||
| چکیده | ||
| امروزه با گسترش کشاورزی صنعتی استفاده از علوم و فنون نوین مانند هوش مصنوعی در افزایش بهره‌وری محصولات و هوشمندسازی روش‌های کشاورزی نقش به سزایی دارد. از جمله این روش‌ها می‌توان به تخمین تراکم گیاهچه‌ها با استفاده از روش‌های پردازش تصویر اشاره کرد. این امر علاوه بر کمک به مدیریت زمین‌های کشاورزی در ارزیابی میزان کود و مواد شیمیایی و تعیین فضای مورد نیاز انبارداری نیز تاثیرگذار است. در این مقاله روش جدیدی برای تخمین تراکم گیاهچه‌های کلزا در مرحله دوبرگی پیشنهاد شد. ابتدا از مزرعه کلزا در مرحله دوبرگی واقع در روستای محمدآباد قزوین تصاویری تهیه شد؛ سپس مدل مخلوط گوسی به همراه الگوریتم بیشینه‌سازی امید ریاضی برای بخش‌بندی تصاویر و الگوریتم خوشه‌بندی نزدیک‌ترین همسایگی و عملگرهای ریخت‌شناسی برای شمارش تعداد گیاهچه‌ها موجود در تصاویر استفاده شده است. تعداد گیاهچه‌های کلزای موجود در تصاویر به روش دستی نیز محاسبه شد و به‌عنوان مقادیر مرجع برای ارزیابی عملکرد الگوریتم پیشنهادی، مورداستفاده قرار گرفت. نتایج حاصل از روش پیشنهادی، دارای همبستگی "R=0.96" با روش شمارش دستی و دارای دقت 96.5 درصد است. روش پیشنهادی در مقایسه با روش های متداول گذشته مانند روش شاخص تفاوت نرمال و روش آستانه گذاری اوتسو عملکرد بهتری دارد. همچنین باوجود اینکه تصاویر در شرایط محیطی متفاوت و با شدت نورهای مختلف اخذ شدند، میزان خطای روش پیشنهادی برای تصاویر مورداستفاده تنها کمتر از چهار درصد بود که کارایی روش ارائه‌شده را در تخمین تراکم کلزا نشان می‌دهد. لذا از روش پیشنهادی می‌توان در تخمین گیاهچه‌های کلزا به صورت عملی در زمین‌های کشاورزی استفاده نمود. | ||
| کلیدواژه‌ها | ||
| بخش‌بندی تصاویر؛ اتوماسیون در کشاورزی؛ الگوریتم شمارش گیاهچه‌های کلزا | ||
| عنوان مقاله [English] | ||
| Estimation of rapeseed crop density at the two-leaf stage based on image processing and using a combination of Gaussian Mixture Model and k-means clustering algorithms | ||
| نویسندگان [English] | ||
| alireza rezaee1؛ seyed morteza khalili2؛ milad asadpour3 | ||
| 1Assistant Professor, Intelligent mobile robot lab, Interdisciplinary Technology group, Mechatronics and Mems part, faculty of new sciences and technologies, university of Tehran, Tehran, Iran, | ||
| 2post-graduate student, Interdisciplinary Technology group, Mechatronics and mems part, faculty of new sciences and technologies, university of Tehran, Tehran, Iran | ||
| 3tehran , tehran univesity , mechatronic department | ||
| چکیده [English] | ||
| In this paper, a new method for estimating rapeseed crop density at the two-leaf stage is proposed. To prepare the images, first, images were taken from several random areas of the rapeseed field in the two-leaf stage located in the village of Mohammadabad, Qazvin, using square frames one meter long to meet the usual standards; Then the Gaussian mixed model with the Expectation Maximization algorithm is used to segment the images. In order to improve the segmentation of the images, the k-mean clustering algorithm was used and finally, when the leaves were separated from the other components of the image, morphological operators were used to count the number of products in the images. The number of rapeseed products in the images is also averaged manually and used as reference values to evaluate the performance of the proposed algorithm. The results of the proposed method have a correlation of R=0.96 with the manual counting method and have accuracy of 96.5%. The results of the proposed method are also compared with two common methods called the Normalized Difference Index and the Otsu thresholding methods which are based on the color characteristics of the images and used in recent studies, and it is observed that the proposed method works better. Although the images were taken in different environmental conditions and with different light intensities, the error rate of the proposed method for the images used was only less than four percent, which shows the efficiency of the proposed method in estimating canola density | ||
| کلیدواژه‌ها [English] | ||
| Image Segmentation, Agricultural Automation, canola Counting Algorithm | ||
|
آمار تعداد مشاهده مقاله: 9 |
||
