فناوری پس از برداشت
حسن مسعودی؛ سیدمحمود اسدی؛ غلامرضا اکبری زاده
چکیده
در فرآیند تولید شکر، کنترل میزان رشد کریستال‌های شکر در مراحل دانه‌سازی، برای داشتن ذرات شکر با اندازه مورد نیاز و یکسان، ضروری است. امروزه از روش‌های مختلفی به ویژه پایش چشمی توسط اپراتور برای تعیین اندازه ذرات استفاده می‌شود، که روشی زمان‌بر و کم دقت است. هدف از این پژوهش ارائه الگوریتم پردازش تصویر مناسب برای تعیین اندازه کریستال‌های ...
بیشتر
در فرآیند تولید شکر، کنترل میزان رشد کریستال‌های شکر در مراحل دانه‌سازی، برای داشتن ذرات شکر با اندازه مورد نیاز و یکسان، ضروری است. امروزه از روش‌های مختلفی به ویژه پایش چشمی توسط اپراتور برای تعیین اندازه ذرات استفاده می‌شود، که روشی زمان‌بر و کم دقت است. هدف از این پژوهش ارائه الگوریتم پردازش تصویر مناسب برای تعیین اندازه کریستال‌های شکر در محلول پخت (مسکوئیت) بود که بتواند ویژگی‌های اندازه و شکل ذرات درون دیگ پخت را ارائه دهد. نمونه-های مسکوئیت از کارخانه تولید شکر شرکت کشت و صنعت نیشکر دعبل خزایی تهیه شدند. پس از آماده‌سازی نمونه‌ها در زیر لام و لامل، با یک دوربین دیجیتال متصل به میکروسکوپ با رزولیشن دو مگاپیکسل تصویربرداری شد. در جعبه ابزار پردازش تصویر نرم‌افزار متلب، ابتدا تبدیل تصویر رنگی به خاکستری، حذف نویزها با عملیات فرسایش و گسترش به کمک فیلترهای مکانی از جمله فیلتر میانه و بهبود کنتراست با تابع تعدیل محلی هیستوگرام انجام شد. برای بخش‌بندی تصویر، سه روش تحدّب، خوشه‌بندی فازی و میکو و ترکیب آنها استفاده شد. در نهایت ضریب تغییرات روش‌های دستی و الگوریتم‌های پردازش تصویر محاسبه و با یکدیگر مقایسه شد و درصد خطای محاسبه میانگین روزنه بدست آمد. در تصویر بخش‌بندی شده دستی، میانگین روزنه ذرات شکر برابر 0/422 میلی‌متر و انحراف معیار 0/157 میلی‌متر با ضریب تغییرات برابر 37/18 درصد بدست آمد. در بخش‌بندی تصویر با روش ترکیبی میکو-تحدّب، میانگین روزنه ذرات شکر برابر 0/382 میلی‌متر و انحراف معیارشان 0/150 میلی‌متر با ضریب تغییرات برابر 39/23 درصد بدست آمد. میانگین خطای اندازه‌گیری میانگین روزنه نسبت به روش دستی برابر با 13/24 درصد و ضریب همبستگی مقادیر میانگین روزنه دو روش 0/88 بود. به دلیل نزدیکی مقادیر ضریب تغییرات، روش بخش‌بندی میکو-تحدّب برای تعیین اندازه کریستال‌های شکر در مسکوئیت با پردازش تصویر مناسب‌تر بود.
شایان حاجی نجف؛ شعبان قوامی جولندان؛ حسن مسعودی
چکیده
تهیه و تامین آب آشامیدنی سالم و پایدار در هر جامعه‌ای یکی از مهمترین و با اهمیت‌ترین کارها در جهت ارتقاء سلامت جامعه است. بر همین اساس پژوهشگران همواره به دنبال روش‌های نوین جهت تولید آب شیرین و گوارا هستند. یکی از روش‌های نوین تولید آب شیرین در حجم پایین استفاده از سامانه‌هایی است که به روش چگالشی از رطوبت هوا تولید آب می کنند. در ...
بیشتر
تهیه و تامین آب آشامیدنی سالم و پایدار در هر جامعه‌ای یکی از مهمترین و با اهمیت‌ترین کارها در جهت ارتقاء سلامت جامعه است. بر همین اساس پژوهشگران همواره به دنبال روش‌های نوین جهت تولید آب شیرین و گوارا هستند. یکی از روش‌های نوین تولید آب شیرین در حجم پایین استفاده از سامانه‌هایی است که به روش چگالشی از رطوبت هوا تولید آب می کنند. در این پژوهش نیز از رطوبت هوا به عنوان یک منبع جبران شدنی، برای تولید آب استفاده شد و اثر عوامل دما (در چهار سطوح 20، 30، 40 و50 درجه سانتی گراد)، رطوبت هوا (در چهار سطوح 30، 50، 70 و 90 درصد)، دبی هوای ورودی (در سه سطح 5/2، 5 و 5/7 متر مکعب بر ساعت) و طول موثر لوله (در دو سطح 2 و 4 متر با قطر 30 میلی متر و ضخامت 1 میلی متر) بر میزان تولید آب مورد بررسی و تحلیل قرار گرفت. طرح آماری مورد استفاده، طرح کرتهای خرد شده در قالب بلوک های کاملا تصادفی بود و تجزیه و تحلیل دادهها و مقایسه میانگینها با استفاده از نرم افزار SPSS انجام پذیرفت. نتایج نشان داد که هر یک از عوامل رابطه مستقیم با میزان تولید آب دارد و بیشترین میزان تولید آب در شرایط دمای 50 درجه سانتیگراد، سرعت 3 متر بر ثانیه، رطوبت 90 درصد و طول لوله مسی 4 متر در بازه زمانی معین بدست آمد.
کشاورزی دقیق
سیده عارفه حسینی؛ حسن مسعودی؛ سیدمجید سجادیه؛ سامان آبدانان مهدی زاده
چکیده
نیتروژن یکی از عناصر اصلی مورد نیاز گیاه می باشد و بیشتر از سایر عناصر در تغذیه گیاهی مصرف می شود. نیتروژن جزء مهمی از ملکول کلروفیل را تشکیل می‌دهد و در ساختمان کلروفیل بصورت پروتئین وجود دارد. بدون نیتروژن رشد گیاه به مقدار بسیار زیادی کاهش می‌یابد. این تحقیق به منظور برآورد مقدار نیتروژن و کلروفیل برگ گیاه نیشکر از روی شاخص های ...
بیشتر
نیتروژن یکی از عناصر اصلی مورد نیاز گیاه می باشد و بیشتر از سایر عناصر در تغذیه گیاهی مصرف می شود. نیتروژن جزء مهمی از ملکول کلروفیل را تشکیل می‌دهد و در ساختمان کلروفیل بصورت پروتئین وجود دارد. بدون نیتروژن رشد گیاه به مقدار بسیار زیادی کاهش می‌یابد. این تحقیق به منظور برآورد مقدار نیتروژن و کلروفیل برگ گیاه نیشکر از روی شاخص های رنگی استخراج شده از تصاویر هوایی دیجیتال که توسط کوادکوپتر از دو ارتفاع ۵ متر و ۱۰ متر و در مزارع شرکت کشت و صنعت دعبل خزاعی گرفته شدند، انجام گرفت. تصاویر استفاده شده برای این تحقیق از سه مزرعه با دوره های رشد مختلف بودند. همزمان با تصویر برداری، میزان کلروفیل برگ نیشکر در نقاط مشخص شده نیز با کلروفیل متر دستی تعیین گردید، همچنین نمونه برداری از مزارع برای تعیین مقدار واقعی نیتروژن به روش کلدال انجام شد. نتایج آزمایشات، پردازش تصاویر و مدلسازی رگرسیونی نشان داد که معادلات رگرسیونی می‌توانند برای دو ارتفاع ۵ و ۱۰ متر به ترتیب میزان نیتروژن را با ضرایب تبیین 3/74 و ۷7 درصد؛ و کلروفیل را با ضرایب تبیین ۶۲ و ۶۹ درصد برآورد کنند. همچنین مدل رگرسیونی ارائه شده برای تخمین میزان نیتروژن گیاه نیشکر از روی کلروفیل برگ دارای ضریب تبیین ۶۸ درصد بود. با توجه به نتایج بدست آمده در این تحقیق با تعیین ارتباط بین نیتروژن و رنگ گیاه می‌توان از وضعیت نیتروژن و کلروفیل گیاه نیشکر آگاه شد.
حسن مسعودی؛ عباس روحانی
چکیده
استفاده از شبکه های عصبی مصنوعی بهعنوان روشی جدید برای برآورد مشخصه های فیزیکی محصولات کشاورزی و درجه بندی آنها بر حسب پارامترهای مختلف مطرح شده است. در این پژوهش ابتدا مقادیر مشخصه های فیزیکی 100 عدد پرتقال رقم محلی دزفول شامل سه بعد هندسی، جرم، حجم و سطح تصویر عمودی اندازه گیری شد و از دو شبکه عصبی مصنوعی برای مدلسازی جرم و حجم پرتقال ...
بیشتر
استفاده از شبکه های عصبی مصنوعی بهعنوان روشی جدید برای برآورد مشخصه های فیزیکی محصولات کشاورزی و درجه بندی آنها بر حسب پارامترهای مختلف مطرح شده است. در این پژوهش ابتدا مقادیر مشخصه های فیزیکی 100 عدد پرتقال رقم محلی دزفول شامل سه بعد هندسی، جرم، حجم و سطح تصویر عمودی اندازه گیری شد و از دو شبکه عصبی مصنوعی برای مدلسازی جرم و حجم پرتقال برحسب ابعاد هندسی (ANN(h,w,t)) و سطح تصویر (ANN(A)) میوه استفاده گردید. شبکه عصبی پرسپترون چندلایه (MLP) با یک لایه مخفی، تابع سیگموئید به عنوان تابع فعال سازی نرون ها و الگوریتم پس انتشار با نرخ یادگیری کاهشی (BDLRF) برای آموزش شبکه انتخاب شد. نتایج مقایسههای آماری نشان داد که اختلاف بین مقادیر واقعی و پیش‌بینی شده توسط شبکه های عصبی معنی‌دار نیست؛ همچنین حداقل مقدار ضریب تبیین (R2) برای هر یک از متغیرهای جرم و حجم در هر سه مرحله پیاده سازی شبکه عصبی(آموزش، معتبرسازی و آزمون) برابر با 96/0 بود. در مقایسه عملکرد دو مدل شبکه عصبی، بر اساس کوچکی معیارهای RMSE و MAPE و بزرگی ME ، مشخص شد که شبکه عصبی ANN(h, w, t) به ANN(A) در هر سه مرحله آموزش، معتبرسازی و آزمون برتری دارد. همچنین مقایسه عملکرد مدل‌های شبکه عصبی با مدل‌های رگرسیونی ( F(h,w,t) و F(A) ) نشان داد که اختلاف بین آنها معنی‌دار نبوده، ولی عملکرد پیش‌بینی مدل رگرسیونی F(h,w,t) بهتر از F(A) و در نهایت عملکرد مدل ANN(h,w,t) بهتر از مدل رگرسیونی F(h,w,t) می‌باشد.
