بسط یک الگوریتم ماشین بینایی برای شناسایی میوه سیب تحت شرایط نور طبیعی روز

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,026

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCAMEM08_282

تاریخ نمایه سازی: 14 شهریور 1393

چکیده مقاله:

مکانیزاسیون برداشت میوه های درختی گامی است در راستای افزایش بهره وری تولید محصولات باغی. خودکار سازی یکی از شیوه های مکانیزاسیون برداشت می باشد و نقش ماشین بینایی در این فرآیند بسیار حیاتی است. بنابراین، بسط یک الگوریتم کارآمدبرای شناسایی میوه سیب که بتواند در شرایط نور طبیعی روز کارآمد باشد بسیار ضروری است. در این پژوهش سی تصویر رنگی از چتر درختان سیب رد دلیشز ( رقم : Red Delicious ) تهیه شد. تصاویر تحت شرایط نور طبیعی روز تهیه شدند و در هنگام تهیه تصاویر، هیچ کنترلی روی نور انجام نگرفت. دو الگوریتم برای شناسایی میوه سیب تدوین و ارزیابی شد. این الگوریتم ها عبارت بودند از: الگوریتم لبه یاب و الگوریتم پردازش رنگ و شکل. الگوریتم لبه یاب موفق نبود؛ اما الگوریتم پردازش رنگ و شکل توانست در 25 تصویر میوه را تشخیص داده و با دقت 85/17 % محل یابی کند.

کلیدواژه ها:

نویسندگان

محمد باقر لک

عضو باشگاه پژوهشگران جوان و نخبگان دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

سعید مینایی

دانشیار گروه مکانیک ماشینهای کشاورزی دانشگاه تربیت مدرس، تهران

جعفر امیری پریان

استادیار گروه مکانیک ماشینهای کشاورزی کشاورزی، دانشگاه بوعلی سینا، همدان

بابک بهشتی

استادیار گروه مکانیک ماشینهای کشاورزی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • طراحی، ساخت و ارزیابی یک شاخه تکان تراکتوری مجهز به بازوهای شناور به منظور برداشت سیب درختی [مقاله کنفرانسی]
  • دانشگاه فردوسی مشهد _ _ _ بهمن ماه 1392 ...
  • دانشگاه فردوسی مشهد _ _ _ بهمن ماه 1392 ...
  • Brown, G.K., D.E., Marshall, B.R., Tennes, D.E., Booster, P., Chen, ...
  • Bulanon, D.M. and T., Kataoka. 2010. Fruit detection system and ...
  • Bulanon, D.M., T., Kataoka, Y., Ota and T, Hiroma. 2002. ...
  • D'Esnon A.G., _ Rabatel and R., Pellenc. 1987. A self-propelled ...
  • Erdogan, D., M., Guner, E., Dursun and I., Gezer. 2003. ...
  • Food and Agriculture Organization Official Websites Statistics. Retrieved from: http:/www. ...
  • Grasso G. and M., Recce. 1996. Scene analysis for an ...
  • Harrell, R.C, D.C., Slaughter and P.D., Adsit. 1988. Robotics in ...
  • Jimenez, A.R., R., Ceres, and J.L., Pons. 2000. Magali: a ...
  • Juste F., I., Fornes, F., Pla, E., Molto and F., ...
  • Kassay, L. 1992. Hungarian robotic apple harvester. Paper ASAE No. ...
  • Kepner, R.A., R., Bainer and E, Borger. 1978. Principles of ...
  • Levi, P., R., Falla and R., Pappalardo. 1988. Image controlled ...
  • Parrish, E. and A.K., Goksel. 1977. Pictorial pattern recognition applied ...
  • Peterson, D.L. S.S., Miller and J.D., Whitney. 1994. Harvesting semi-dwarf ...
  • Peterson, D.L. and S.D., Wolford. 2003. Fresh-market quality tree fruit ...
  • Pla, F., F., Juste and F., Ferri. 1993. Feature extraction ...
  • Rabatel, G. 1988. A vision system for magali, the fruit ...
  • Regunathan, M. and W.S, Lee. 2005. Citrus fruit identification and ...
  • Robinson, T and A., Lakso. 1991. Basis of yield and ...
  • Robinson, T.L., W.F., Miller, J.A., Throop, S.G., Gapenter and A.N., ...
  • Schertz, C.E., and G.K., Brown 1968. Basic considerations in mechanizing ...
  • Sites A., M.J., Delwiche. 1988. Computer vision to locate fruit ...
  • Slaughter D. and R.C., Harrel. 1987. Color vision in robotic ...
  • Slaughter D. and R.C. Harrel R.C. 1989. Discriminating fruit for ...
  • نمایش کامل مراجع