| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شماره‌ها | 3,274 |
| تعداد مقالات | 36,170 |
| تعداد مشاهده مقاله | 55,733,705 |
| تعداد دریافت فایل اصل مقاله | 94,509,845 |
بهینه‌سازی روش آشکارسازی کناره Canny با استفاده از الگوریتم‌های بهینه‌سازی به منظور تعیین مرزهای زمین‌های زراعی | ||
| علوم و فناوری اطلاعات و هوشمندسازی کشاورزی | ||
| دوره 7، شماره 2 - شماره پیاپی 14، مهر 1403، صفحه 37-47 اصل مقاله (780.88 K) | ||
| نوع مقاله: مقاله ترویجی | ||
| شناسه دیجیتال (DOI): 10.22092/jaist.2024.366846.1121 | ||
| نویسندگان | ||
| حسین حسینی* 1؛ محسن نوروزی2 | ||
| 1دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 2دانشکده و پژوهشکده رایانه، شبکه و ارتباطات، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| چکیده | ||
| تعیین دقیق مرزهای زمین گامی حیاتی در شناسایی کاربری زمین و برنامه‌ریزی جهت مدیریت آن است. برای زمین‌های زراعی، این ترسیم به کشاورزان و مشاغل کشاورزی امکان می‌دهد تا مساحت زمین را برای استفاده مؤثر از نهاده‌های کشاورزی، مانند بذر، آفت‌کش‌ها، کودها و سایر منابع و بهینه‌سازی فعالیت‌های تولید و پس از تولید، بهتر برآورد کنند. با این تفاسیر شناسایی کناره‌های دقیق از یک زمین زراعی، موفقیت برنامه‌ای را که با استفاده از ابزار بینایی کامپیوتر و ماشین بینایی توسعه یافته است، تعیین می‌کند. طبق آزمایش‌های انجام شده آشکارساز Canny به نسبت سایر آشکارسازهای سنتی دیگر عملکرد بهتری دارد از این رو در این مقاله سعی شده است که با بهره‌گیری از دو الگوریتم فرا ابتکاری کلونی مورچگان و شبیه‌ساز حرارتی، روش‌های جدیدی جهت بهبود عملکرد آشکارساز Canny ارائه شود. جهت ارزیابی روش‌های پیشنهادی از سه معیار ارزیابی MSE، PSNR و SSIM بهره گرفته‌ایم. نتایج نشان می‌دهد که الگوریتم‌های فرا ابتکاری به کار گرفته شده سبب بهینه‌تر شدن آشکارساز Canny شده است. هنگامی که از الگوریتم کلونی مورچگان استفاده کردیم کناره‌ها به خوبی نشان داده شده است و هنگامی که از الگوریتم شبیه‌ساز حرارتی بهره گرفته‌ایم علاوه بر کناره‌ها، بافت تصویر نیز حفظ شده است. | ||
| کلیدواژه‌ها | ||
| تشخیص کناره؛ آشکارساز Canny؛ الگوریتم فرا ابتکاری؛ الگوریتم کلونی مورچگان؛ الگوریتم شبیه‌ساز حرارتی؛ تصاویر سنجش از دور | ||
| عنوان مقاله [English] | ||
| Optimization of the Canny Edge Detection Method Using Optimization Algorithms in Order to Determine the Boundaries of Agricultural Lands | ||
| نویسندگان [English] | ||
| Hossein Hosseini1؛ mohsen norouzi2 | ||
| 1Master’s student in artificial intelligence and robotics, Faculty of artificial intelligence and cognitive sciences, Imam Hossein Comprehensive University, Tehran, Iran | ||
| 2Computer, Network and Communication Faculty and Research Institute, Imam Hossein University, Tehran, Iran | ||
| چکیده [English] | ||
| Accurate determination of land boundaries is a vital step in identifying land use and planning for its management. For cropland, this mapping allows farmers and agribusinesses to better estimate land area for effective use of agricultural inputs, such as seeds, pesticides, fertilizers and other resources, and to optimize production and post-production activities. With these interpretations, identifying the precise edges of a crop field determines the success of a program developed using computer vision and machine vision tools. According to the experiments, the Canny detector performs better than other traditional detectors, therefore, in this article, it has been tried to present new methods to improve the performance of the Canny detector by using two meta-heuristic algorithms of ant colony and thermal simulator. To evaluate the proposed methods, we have used three evaluation criteria: MSE, PSNR, and SSIM. The results show that the meta-heuristic algorithms used have made the Canny detector more optimal. When we used the ant colony algorithm, the edges were shown well, and when we used the simulated annealing algorithm, in addition to the edges, the image texture was also preserved. | ||
| کلیدواژه‌ها [English] | ||
| Edge Detection, Canny Detector, Meta-Heuristic Algorithm, Ant Colony Algorithm, Simulated Annealing Algorithm, Remote Sensing Images | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 500 تعداد دریافت فایل اصل مقاله: 300 |
||