این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۸، شماره ۴، صفحات ۱۱۱-۱۲۷
عنوان فارسی طراحی و ساخت سامانه برخط به منظور پایش وضعیت آبی گل لیلیوم به کمک بینایی‌ماشین
چکیده فارسی مقاله آب نقش مهمی بر رشد و سلامت گیاهان دارد. تامین این ماده حیاتی نه تنها بر عملکرد محصول کشاورزی، بلکه بر کیفیت و کنترل فرآیندهای فیزیولوژیکی آن­ها تاثیر می­گذارد. بنابراین کمبود آب سبب اثرات منفی در رشد و نمو گیاهان می­شود. در این پژوهش با هدف تشخیص نیاز آبی گیاه، مجموعه­ای از تصاویر گیاه لیلیوم تحت شرایط تنش خشکی جهت استخراج ویژگی­های رنگی و مورفولوژی بررسی و بر اساس این ویژگی سامانه هوشمندی به منظور تشخیص نیاز آبی گیاه طراحی و ساخته شد. پس از بررسی پارامترهای استخراج شده از تصاویر با توجه به نتایج آنالیز آماری در سطح احتمال 5% و روش انتخاب ویژگی پی­درپی پیشرو مناسب­ترین ویژگی­ها به منظور پیش­بینی محتوای رطوبت گیاه انتخاب و عمل طبقه­بندی با ماشین بردار پشتیبان (SVM) با کرنل­های مختلف صورت پذیرفت.در نهایت نشان داده شد که دقت طبقه­بند برای سه کرنل خطی، سیگموئید و RBF به ترتیب با 6، 9 و 9 ویژگی برابر با 19.81، 04.81 و 12.83 درصد بود. بدین ترتیب نتایج نشان داد که سامانۀ پیشنهاد شده از توانایی مناسبی جهت تشخیص سطوح تنش و کنترل میزان آب مورد نیاز برخوردار است.
کلیدواژه‌های فارسی مقاله پردازش تصاویر دیجیتال، سامانه هوشمند آبیاری، طبقه بند بردار پشتیبان،
عنوان انگلیسی Development of real-time machine vision system for water balance monitoring of Lilium flower
چکیده انگلیسی مقاله Water plays an important role in the growth and health of plants. The supply of this vital material affects not only agricultural yields, but also the quality and control of their physiological processes. Therefore, water scarcity has a negative effect on the growth of plants. In this research, in order to detect the plant's water requirement, a series of images of lilium plant under drought stress conditions were investigated to extract the color and morphological features and based on them, an intelligent system was designed to recognize the plant's water status. After analyzing the parameters extracted from the imagesusing statistical analysis at 5% probability level and the sequential forward feature ranking method, the most suitable features were selected to predict the moisture content of the plant; Furthermore, the classification was carried out using the support vector machine (SVM) with different kernels. Finally, it was shown that the classification accuracy for the linear kernels, sigmoeid, and RBF was with 6, 9, and 9 features, respectively, were 81.19, 81.04 and 83.12%, respectively. The results showed that the proposed system had the ability to determine the levels of stress and control the amount of water needed
کلیدواژه‌های انگلیسی مقاله پردازش تصاویر دیجیتال, سامانه هوشمند آبیاری, طبقه بند بردار پشتیبان
نویسندگان مقاله حدیث بی آبی |
دانشجوی کارشناسی ارشد دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

سامان آبدانان مهدی زاده |
دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

هادی اورک |
دانشجوی کارشناسی ارشد دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

محمد رضا ٌصالحی سلمی |
دانشکده کشاورزی، گروه باغبانی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

نشانی اینترنتی https://jmvip.sinaweb.net/article_140325_fce81a747f9b6d5c550b3c29c3ae58a0.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات