| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,087 |
| تعداد مقالات | 34,477 |
| تعداد مشاهده مقاله | 49,224,577 |
| تعداد دریافت فایل اصل مقاله | 79,690,758 |
تعیین درصد شکستگی و تعداد بذرهای ذرت و لوبیاچیتی با استفاده از یک سامانه بینایی ماشین | ||
| تحقیقات سامانهها و مکانیزاسیون کشاورزی | ||
| دوره 25، شماره 90، تیر 1403، صفحه 79-94 اصل مقاله (794.51 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/amsr.2025.370589.1524 | ||
| نویسنده | ||
| محمد شاکر* | ||
| دانشیار پژوهش بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران | ||
| چکیده | ||
| در آزمون خلوص بذر، میتوان از بینایی ماشین بهعنوان جایگزین مناسبی برای بینایی انسان استفاده کرد. در این تحقیق از یک سامانۀ بینایی ماشین استفاده و برای بذرهای ذرت و لوبیاچیتی ارزیابی شد. برای هر نوع بذر، عملکرد دستگاه مکش با سه صفحۀ بذر (با قطر سوراخهای 1، 5/1 و 2 میلیمتر) و چهار مقدار مکش (80-، 100-، 120- و 130- میلی متر جیوه) ارزیابی شد. در هر مقدار مکش، تعداد کل بذرهای چسبیده به صفحۀ بذر، تعداد بذرهای جدا شده و تعداد بذرهای بههم چسبیده روی هر سوراخ شمارش و درصد آنها محاسبه شد. پس از آن، برای دو نوع بذر مورد آزمایش الگوریتم تعیین درصد شکستگی و تعداد بذر کدنویسی و اعتبارسنجی الگوریتم در 30 تکرار ارزیابی گردید. نتایج نشان داد که برای بذر ذرت، تیمار 10 (صفحة بذر با سوراخهای2 میلیمتر و مقدار مکش 100- میلیمتر جیوه) و برای بذر لوبیاچیتی، تیمار 11 (صفحة بذر با سوراخهای2 میلیمتر و مقدار مکش 120- میلیمتر جیوه) مناسبترین تیمار است. نتایج اعتبارسنجی الگوریتم، برای بذر ذرت نشان داد که میانگین دقت الگوریتم برابر با 100 درصد است. برای بذر لوبیاچیتی، نتایج اعتبارسنجی الگوریتم نشان داد که میانگین دقت الگوریتم در تعیین درصد شکستگی و تعداد بذر بهترتیب برابر با 27/95 و 47/99 درصد است. پیشنهاد میشود که از این سامانه برای اندازهگیری خصوصیات فیزیکی بذر با اندازههای مختلف استفاده شود و مورد ارزیابی قرار گیرد. | ||
| کلیدواژهها | ||
| آزمون خلوص بذر؛ پردازش تصویر؛ تلفات بذر؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Determining the Percentage of Breakage and the Number of Corn and Pinto Bean Seeds using the Machine Vision System | ||
| نویسندگان [English] | ||
| Mohammad Shaker | ||
| Assistant Professor, Agricultural Engineering Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research Education And Extention Organization, Shiraz, Iran | ||
| چکیده [English] | ||
| In seed purity testing, machine vision can be used as a suitable alternative to human vision. In this research, a machine vision system was used, which included three parts: suction box, sampling box, and imaging box. The above machine vision system was evaluated for seeds of corn and pinto bean. For each type of seed, the performance of the suction device, with three seed plates (with hole diameters of 1, 1.5 and 2 mm) and four suction values (-80, -100, -120 and -130 mmHg) was evaluated. A factorial experiment in the form of a completely randomized design with two factors and five replications was used for statistical analysis of the data and Duncan's test was used to compare the means. In each amount of suction, the total number of seeds of sticked to the seed plate, the number of singled seeds and the number of seeds of sticked together on each hole were counted and their percentage was calculated. After that, for the two types of seeds tested, the algorithm for determining the percentage of breakage and the number of seed coding and validation of the algorithm was evaluated in 30 repetitions. The results showed that for corn seed, treatment 10 (seed plate with holes 2 mm and suction value -100 mm Hg) and for pinto bean seed, treatment 11 (seed plate with 2 mm holes and suction value -120 mm Hg) were the most suitable treatments. The validation results of the algorithm for determining the percentage of breakage and the number of seeds for corn seeds showed that the average accuracy of the algorithm was equal to 100%. For seed of pinto beans, the algorithm validation results showed that the average accuracy of the algorithm in determining the percentage of breakage and the number of seeds were 95.27 and 99.47%, respectively. It is suggested that this system be used to measure and evaluate the physical properties of seeds of different sizes. | ||
| کلیدواژهها [English] | ||
| Image Processing, Machine Learning, Seed Losses, Seed Purity Testing | ||
| مراجع | ||
|
Corder, G. W., Foreman, D. I., & Wiley InterScience (Online service). (2009). Nonparametric statistics for non-statisticians a step-by-step approach. Wiley. http://dx.doi.org/10.1002/9781118165881. Farouk, S. M., & Islam, M. N. (1995). Effect of parboiling and milling parameters on breakage of rice grains. Agricultural Mechanization in Asia, Africa and Latin America, 26(4), 33-38. Ghaderifar, F., & Soltani, A. (2010). Seed control and certification. Publications of Mashhad University- Jahad. (in Persian) Gunasekaran, S., Paulsen, M. R., & Shove, G. C. (1985). Optical methods for nondestructive quality evaluation of agricultural and biological materials. Journal of Agricultural Engineering Research, 32(2), 209-241. https://doi.org/10.1016/0021-8634(85)90081-2. Gunasekaran, S., Paulsen, M. R., & Shove, G. C. (1986). A laser optical method for detecting corn kernel defects. Transactions of the ASAE, 29(l), 294-298, 304. https://doi.org/10.13031/2013.30142. Gunasekaran, S., Cooper, T. M., Berlage, A. G., & Krishnan, P. (1987). Image processing for stress cracks in corn kernels. Transactions of the ASAE, 30(1), 266-271. https://doi.org/10.13031/2013.30438. Kapadia, V. N., Sasidharan, N., & Kalyanrao, P. (2017). Seed Image Analysis and Its Application in Seed Science Research. Advances in Biotechnology and Microbiology, 7(2), https://doi.org/10.19080/AIBM.2017.07.555709. Majumdar, S., & Jayas, D. S. (2000). Classification of cereal grains using machine vision: III. Texture models. Transactions of the ASABE, 43(6), 1681-1687. https://doi.org/10.13031/2013.3068. Matshuisa, T., & Hosokawa, A. (1981). Possibilities of checking cracks in brown rice using illumination by oblique ray and image data processing system. Journal of the Society of Agriculture machinery of Japan, 42(4), 515-520. https://doi.org/10.11357/jsam1937.42.515. Shaker, M., Minaei, S., Khushtaqaza, M. H., Banakar, A., & Jafari, A. (2015). Using machine vision to improve performance and reduce waste in paddy peeling machine. Agricultural Mechanization and Systems Engineering Research Journal, 16(65), 47-64. https://doi.org/10.22092/erams.2016.105953. (in Persian) Shaker, M., Yazdani, S., Mohammadi, D., & Alevi Manesh, S. M. (2022). Determining the percentage of breakage and impurity of wheat seed based on the image processing method with the construction and evaluation of a single device (Research Report), Agricultural Engineering Research Institute, No: 62686. (in Persian) Shaker, M., & Jokar, A. (2023). Evaluation of the Machine Vision System to Determine the Percentage of Breakage and the Number of Sorghum, Cotton and Barley Seeds. Agricultural Mechanization and Systems Research Journal, 24(86), 99-114. https://doi.org/10.22092/amsr.2024.365359.1484. Tanska, M., Rotkiewicz, D., Kozirok, W., & Konopka, I. (2005). Measurement of the geometrical features and surface colour of rapeseeds using digital image analysis. Food Research International, 38(7), 741-750. https://doi.org/10.1016/j.foodres.2005.01.008. Venora, G., Grillo, O., Ravalli, C., & Cremonini, R. (2009). Identification of Italian landraces of bean (Phaseolus vulgaris L.) using an image analysis system. Scientia Horticulturae, 121(4), 410-418. https://doi.org/10.1016/j.scienta.2009.03.014. Yan, X., Wang, J., Liu, S., & Zhang, C. (2017). Purity identification of maize seed based on color characteristics. Proceedings of the 4th Conference on Computer and Computing Technologies in Agriculture (CCTA). https://doi.org/10.1007/978-3-642-18354-6_73. Zayas, I., Converse, H., & Steele, J. (1990). Discrimination of whole from broken corn kernels with image analysis. Transactions of the ASAE, 33(5), 1642-1646. https://doi.org/10.13031/2013.31521. | ||
|
آمار تعداد مشاهده مقاله: 32 تعداد دریافت فایل اصل مقاله: 28 |
||