| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,208 |
| تعداد مقالات | 35,560 |
| تعداد مشاهده مقاله | 53,001,201 |
| تعداد دریافت فایل اصل مقاله | 92,287,452 |
پیش بینی عملکرد چغندرقند به کمک پردازش تصویر به صورت برخط | ||
| چغندرقند | ||
| مقاله 5، دوره 34، شماره 2، بهمن 1397، صفحه 181-191 اصل مقاله (1.37 M) | ||
| نوع مقاله: کامل علمی - پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/jsb.2019.120670.1178 | ||
| نویسندگان | ||
| هادی اورک1؛ سامان آبدانان مهدی زاده* 2؛ مجید سعدی3 | ||
| 1کارشناسی ارشد- پردازش تصویر، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان. اهواز، ایران. | ||
| 2استادیار دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان. . اهواز، ایران. | ||
| 3دانشجوی کارشناسی ارشد دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان. اهواز، ایران. | ||
| چکیده | ||
| 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. بهمنظور انتخاب بهترین ویژگی مؤثر از آنالیز ضریب همبستگی پیرسون استفاده گردید. ویژگیهایی که دارای ضریب همبستگی بیش از 0/7 بودند به عنوان ویژگیهای مؤثر 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 بهترتیب 0/84 و 0/95 وجود داشت. با توجه به نتایج حاصله، از سیستم پردازش تصویر میتوان بهعنوان سامانه تخمین بر خط عملکرد محصول چغندرقند استفاده کرد. | ||
| کلیدواژهها | ||
| آنالیز پیرسون؛ پردازش تصویر؛ تخمین برخط؛ عملکرد چغندرقند؛ کشاورزی دقیق | ||
| عنوان مقاله [English] | ||
| Predicting sugar beet performance by online image processing | ||
| نویسندگان [English] | ||
| H. Orak1؛ S. Abdanan Mehdizadeh2؛ M. Sadi3 | ||
| 1Ms. Department of Mechanics of Bio systems Engineering, Faculty of Agricultural and Rural Development, Ramin Agriculture and Natural Resources University of Khuzestan, Ahvaz, Iran. | ||
| 2Assistant professor of Department of Mechanics of Bio systems Engineering, Faculty of Agricultural and Rural Development, Ramin Agriculture and Natural Resources University of Khuzestan, Ahvaz, Iran. | ||
| 3Ms. Student, Department of Mechanics of Bio systems Engineering, Faculty of Agricultural and Rural Development, Ramin Agriculture and Natural Resources University of Khuzestan, Ahvaz, Iran. | ||
| چکیده [English] | ||
| Predicting the performance of the crops to estimate production and determine the amount of agricultural inputs needed is crucial in precision agriculture. In the present study, a fast, accurate, and inexpensive method for estimating sugar beet yield with and without leaves was presented. Images were captured from the crop in both conditions and then, six morphological features including area, perimeter, major axis length, minor axis length, equivalent diameter and centroid were extracted from the images. Pearson correlation coefficient analysis was used to select the best effective feature. Features with a correlation coefficient greater than 0.7 were considered as effective features. Accordingly, for the two conditions of with and without leaves, area and perimeter characteristics were selected, respectively. To check the accuracy of the linear weight estimation equations, equations were given to the online crop recognition system (in two modes) and the root weight of the sugar beet was estimated immediately by tractor movement. Results showed that there was a correlation coefficient of 0.84 and 0.95 between the actual- and estimated weight in both with and without leaves conditions, respectively. According to the results, image processing system can be used as an estimation system for online sugar beet yield prediction. | ||
| کلیدواژهها [English] | ||
| Sugar beet Yield, Online estimation, Pearson analysis, image processing, Precision agriculture | ||
| مراجع | ||
|
Amraei S, Abdanan Mehdizade S, Salari S. The system for estimating the weight of broiler chicks individually using image processing and multiple analysis. Iranian journal of Biosystems engineering. 2015; 65(5): 615-623. (in Persian) Biancardi E, McGrath M.J, William Panella L, Stevanato P. Sugar Beet- Chapter 6: Root and Tuber Crops. 2010; 173-219. Du JX, Wang XF, zhang GJ. Leaf shape based plant species recognition-Applied Mathematics and Computation. 2007; 185: 883-893. 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. Cumulative mass determination for yield maps of non-grain crops. Computers and Electronics in Agriculture 1999; 23: 85-101. Hall TL, Backer LF, Hofman, VL. Sugarbeet yield monitoring for site-specific farming part I–laboratory tests and preliminary field tests. Precision Agriculture. 2003; 4 (4): 421-431. Hennens DJ, Baert B, Broos H, Ramon P, DeBaerdemaeker J. Development of a flow model for the design of a momentum type beet mass flow sensor. Biosystems Engineering. 2003; 85 (4): 425-436. Kashiha M, Bahr C, Ott S, Moons CP, Niewold TA, Odberg FO, Berckmans D. Automatic weight estimation of individual pigs using image analysis. Computers and Electronics in Agriculture. 2014; 107, 38-44. Khojastehkey M, Abbasi MA, Akbari Sharif A, Hasani AM. Estimation Zandi lambs using digital image processing. 2015; 29:99-104. (in Persian, abstract in English) Kumhala FV, Prosek M, Kroulik M, Kviz Z. Parallel plate mass flow sensor for forage crops and sugar beet. American Society of Agricultural and Biological Engineers Meeting Presentation. 2008; 084700: 1-11. Latif al-tojar S, Jafari AA, Nasiri SM, Sharifi H. Sugar beet performance estimation based on plant shadow coverage using image processing patterns. Journal of Agricultural Machinery. 2014; 4 (2): 275-284. (in Persian) Liu J, Pattey E. Retrieval of leaf area index from top-of-canopy digital photography over agricultural crops. Agricultural and Forest Meteorology. 2010; 150 (11): 1485-1490. Momin MA, Rahman MT, Sultana MS, Igathinathane C, Ziauddin ATM, Grift TE. Geometry-based mass grading of mango fruits using image processing. Information Processing in Agriculture. 2017; 4: 150-160. Soille P. Morphological image analysis applied to crop field mapping. Image and Vision Computing. 2000; 18: 1025–1032. Tasdemir S, Urkmez A, Inal S. Determination of body measurements on the Holste in cows using digital image analysis and estimation of live weight with regression analysis. Computers and electronics in agriculture. 2011; 76(2), 189-197. Venkatesh GV, Lqbal MDS, Gopal A, Ganesan D. Estimation of volume and mass of Axi-Symmetric Fruits using image processing technique. International Journal of Food Properties. 2015; 18: 608-625. Walter JD, Hofman VL, Backer LF. Site-specific sugar beet yield monitoring. International Conference on Agricultural Engineering, Madrid, Spain. 1996. | ||
|
آمار تعداد مشاهده مقاله: 5,103 تعداد دریافت فایل اصل مقاله: 1,469 |
||