عنوان پایان‌نامه
طراحی و پیاده سازی یک سامانه هوشمند برخط برای پیش بینی و تشخیص کمبود عناصر غذایی پرمصرف گیاه ذرت از طریق پردازش تصویر توسط گوشی های همراه اندرویدی
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشین های کشاورزی
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6934;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75137;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6934;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75137
- تاریخ دفاع
- ۲۵ بهمن ۱۳۹۴
- دانشجو
- فرشاد وصالی
- استاد راهنما
- محمود امید
- چکیده
- چکیده استفاده بهینه از نهادههای شیمیایی عالوه بر تضمین محصول دهی مناسب گیاه، باعث صرفه اقتصادی و کاهش آلودگی خاک و آب خواهد شد. مطالعات زیادی در جهت تعیین مصرف نهاده ها و عملکرد محصوالت کشاورزی صورت گرفته است که شامل استفاده از ابزارها و روشهایی خاص میشوند. امروزه استفاده از دوربینهای دیجیتال به عنوان یک روش مقرون به صرفه بسیار مورد توجه قرار گرفته است اما این سامانهها نیز با مشکالتی مواجه هستند. از طرف دیگر با گسترش فنآوری، تلفنهای همراه هوشمند امروزی مجهز به حسگرهای متعدد از جمله دوربینهای با کیفیت و واحد پردازشی قدرتمند شدهاند؛ از این رو در این رساله از تلفنهای همراه هوشمند برای طبقهبندی کمبودهای گیاه ذرت در پنج سطح مختلف کود دهی نیتروژن )صفر، 26 ،445 ،461 ،551 کیلوگرم بر هکتار( و دو سطح کود دهی برای پتاسیم و فسفر استفاده شد. همچنین نرم افزاری هوشمند برای تخمین دقیق کمبود نیتروژن که عنصر مهمتری است، بر اساس دادههای قرائت شده از کلروفیل متر، طراحی و در یک گوشی تلفن همراه اندرویدی جهت استفاده بر خط نصب گردید. برای انجام این رساله از سه نوع تصویر برداری که شامل تصویر برداری معمولی و تصویر برداری معمولی با پیشزمینه خاکستری در طبقهبندی سطوح و استفاده از تصاویر تماسی برای تخمین میزان محتوای کلروفیل در یک مزرعه تحقیقاتی در ایالت آیوای آمریکا، استفاده شد. پس از گرفتن همه تصاویر از الگوریتمهای هوشمند شبکه عصبی مصنوعی و الگوریتم طبقهبندی بر اساس استنتاج قواعد نامنظم فازی )فیوریا( جهت طبقهبندی تصاویر اخذ شده توسط دوربین تلفن همراه استفاده شد. بمنظور انتخاب ویژگیهای برتر در این طبقهبندها از الگوریتم ژنتیک استفاده شد. در نهایت طبقهبند شبکه عصبی مصنوعی با تمام ویژگیها و ساختار 2-3-41 در تصاویر با پیش زمینه خاکستری با دقت کلی 5.52 % و طبقهبند فیوریا با ویژگیهای برتر در تصاویر با پیش زمینه خاکستـــــری برای هر دو عنصر پتاسیم و فسفــر به ترتیب با شش و هفت قانون، و میزان دقت طبقهبندی کلی 6.59 % و 1.61 % بهترین عمـــــلکرد را در طبقهبندی داشتند. برای تخمین میزان محتوای کلروفیل از دو مدل رگرسیون خطی و شبکه عصبی مصنوعی استفاده شد که هر دو مدل با چهار ویژگی برتر ضریب تبیین بیشتری داشتند. این مقادیر برای مدل رگرسیون خطی (???????????????????? ?????????????? = ?22.48 ? ???? + 2.06 ? ?????????????? + 8.7 ? ???????????? + 0.73 ? ?????????? + 14.62) = 3.55 برابر 2 R و برای شبکه عصبـــی مصنوعی با ساختار 4-1-1( با چهار ویژگی برتر به عنوان ورودی( بـــــرابر =3.15 2 R در مرحله تست )93 % از دادههای استفاده نشده در مرحله آموزش( بدست آمد. پس از اتمام مراحل توسعه الگوریتمهای هوشمند برای مرحله طبقهبندی یک برنامه کاربردی اولیه، بر بستر تلفنهای همراه اندرویدی توسعه داده شد و برای تخمین میزان محتوای کلروفیل با توجه به نتایج بهتر، برنامه کاربردی اصلی به نام SmartSPAD برای اندروید توسعه داده شد. پس از پیاده سازی این برنامه بر روی تلفن همراه، SmartSPAD مورد ارزیابی مزرعهای قرار گرفت و نتایجی نزدیک به نتایج بخش تست تصاویر تماسی حاصل گردید. عالوه بر این برای اعتبار سنجی تصویر برداری تماسی، یک روش دیگری نیز برای تصاویر تماسی با نور پیش زمینه مورد ارزیابی قرار گرفت که با دقت باالی 35.3 برای ضریب تبیین توانست، دادههای قرائت شده از کلروفیل متر را تنها توسط یک شاخص برازش کند. واژههای کلیدی: ذرت، مواد مغذی پر مصرف، تلفن همراه هوشمند، اندروید، پردازش تصویر، تصویربرداری تماسی، الگوریتمهای هوشمند، برنامه کاربردی.
- Abstract
- Abstract Optimum usage of agricultural inputs (specially fertilizers) in addition to guaranteeing the proper yield, causes less environmental pollution and more economical benefits. Many studies have considered the status of plants which generally include special devises and methods. Digital cameras as a cost effective way nowadays are popular to use but there are some issues to use them. On the other side, smartphones’ capabilities have been expanded rapidly in recent years and they are equipped with many sensors including high quality cameras and powerful processing unit. Therefor in this study we tried to use smartphones for classifying the deficiencies of corn in five levels of nitrogen (zero, 56, 112, 168, 224 Kg/Ha) and two levels of potassium and phosphor. Moreover, for more accuracy of identifying nitrogen deficiency, some estimation models were developed and implemented on a phone as an application base on reading from chlorophyll meter. For data acquisition, three types of imaging including contact imaging, have been performed on a trial field of corn in Iowa, USA: regular imaging, regular imaging with gray background for classification in different levels and contact imaging for estimation of chlorophyll content. After taking all images, intelligence algorithms including neural networks and fuzzy unordered rule induction (FURIA) have been used for classification of regular imaging and in order to select superior features, genetic algorithm is implemented. Eventually, neural network classifier with all features and 14-9-5 structure, in regular images with gray background achieve better results for nitrogen classification by 75.7% accuracy. For classification of potassium and phosphor deficiencies FURIA with superior features again in regular images with gray background classified them by 73.6 % and 64.8% accuracy, respectively. The number of inducted rules for these two algorithms were 6 and 7. For chlorophyll content estimation, linear and neural network model have been used and models with superior features had better performances. The values of r-square for linear model (???????????????????? ?????????????? = ?22.48 ? ???? + 2.06 ? ?????????????? + 8.7 ? ???????????? + 0.73 ? ?????????? + 14.62) and neural network with 4-4-1 structure were, 0.72 and 0.82 respectively for test data (30% of unused data in training the models). For classification purposes a primary app was implemented in Android smartphone but for estimation of chlorophyll content, because of better result duo to use contact images, main app named SmartSPAD is implemented on Android phones. An evaluation after installing the app on phone was done by taking more contact images through the app and almost same results with test mode, were achieved too. For considering the capability of contact imaging another method of contact imaging with background illumination was evaluated which it could fit the chlorophyll meter result with high accuracy (0.97 for rsquare) just by one index. Keyword: Corn, Macro nutrients, Smartphones, Android, App, Image processing, Contact imaging, Intelligence algorithms.
