- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,726 |
| تعداد مقالات | 31,041 |
| تعداد مشاهده مقاله | 27,745,797 |
| تعداد دریافت فایل اصل مقاله | 16,221,824 |
سامانۀ بینایی ماشین برای تعیین درصد شکستگی و تعداد بذر گندم | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| دوره 23، شماره 82، شهریور 1401، صفحه 19-32 اصل مقاله (1.26 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/amsr.2022.359263.1423 | ||
| نویسنده | ||
| محمد شاکر* | ||
| استادیار پژوهشی، 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 | ||
| هدف از این پژوهش، ساخت و ارزیابی سامانۀ بینایی ماشین برای تعیین درصد شکستگی و تعداد بذر گندم است. این سامانه از سه بخش مکش، نمونهبرداری و تصویربرداری تشکیل و برای دو رقم گندم ترابی و آذر ارزیابی شده است. در هر رقم گندم، عملکرد دستگاه مکش، با دو صفحۀ بذر و چهار مقدار مکش بررسی شد. در هر مقدار مکش، تعداد بذرهای جدا شده و بذرهای به هم چسبیده روی هر سوراخ شمارش و درصد آنها محاسبه شد. تصویر تهیه شده توسط دوربین دیجیتال، به محیط نرمافزار متلب منتقل و الگوریتم تعیین درصد شکستگی و تعداد بذر گندم کدنویسی و ارائه شد. نتایج بررسیها نشان داد که مناسبترین تیمار برای گندم رقم ترابی، صفحۀ بذر با سوراخ 1 میلیمتر و مکش 100- میلیمتر جیوه با درصد بذرهای جدا شده 31/95 و درصد بذرهای به هم چسبیده 69/4 است. برای رقم آذر، صفحۀ بذر با سوراخ 1 میلیمتر و مکش 120-میلیمتر جیوه با درصد بذرهای جدا شده 6/91 و درصد بذرهای به هم چسبیده 4/8 مناسبترین تیمار است. نتایج اعتبارسنجی الگوریتم نشان داد که دقت آن برای تعیین درصد شکستگی و تعداد بذر گندم به ترتیب برابر با 33/85 و 76/98 درصد است. | ||
| کلیدواژه‌ها | ||
| آزمون خلوص بذر؛ الگوریتم؛ پردازش تصویر | ||
| عنوان مقاله [English] | ||
| Machine vision system for determination of the breakage percentage and the number of wheat seeds | ||
| 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] | ||
| Considering the problems of visual and human evaluation, machine vision, can be used as a suitable substitute for human vision. The purpose of this research was to build and evaluate a machine vision system to determine the breakage percentage and the number of wheat seeds. The system consists of three parts: suction box, sampling box and imaging box and evaluated for two cultivars Torabi and Azar wheat. In each type of wheat, the performance of the suction device was evaluated with two seed plates and four suction values. In each amount of suction, the number of singled seeds and the seeds of sticked together on each hole were counted and their percentage was calculated. The image prepared was transferred to MATLAB software and breakage determination algorithm and wheat seed number was coded and presented. The results showed that the most suitable treatment for wheat of Torabi cultivar, was seed plate with 1 mm hole and suction of -100 mm Hg with 95.31 percent singled seeds and 4.69 percent of sticked together seeds. For Azar cultivar, seed plate with 1 mm hole and suction of -120 mm Hg with a percentage of singled seeds of 91.6 and a percentage of sticked together seeds of 8.4 was the most appropriate treatment. The validation results of the algorithm showed that its accuracy for determining the percentage of breakage and the number of wheat seeds were 85.33 and 98.76%, respectively. It is suggested that this system be evaluated for seeds of different sizes. | ||
| کلیدواژه‌ها [English] | ||
| Seed purity test, Algorithm, Image processing | ||
| مراجع | ||
|
Amiryousefi, M. R., Mohebbi, M. & Tehranifar, A. (2018). Pomegranate seed clustering by machine vision. Food science and nutrition, 6(1), 18-26.
Ghaderifar, F., & Soltani, A. (2010). Seed control and certification. Publications of Mashhad University – Jahad. (in Persian)
Granitto, M., Navone, D., Verdes, F., & Ceccatto, H. A. (2002). Weed seeds identification by machine vision. Computers and Electronics in Agriculture, 33(2), 91-103.
Gunasekaran, S., Cooper, T. M., & Berlage, A. G. (1988). Evaluating quality factors of corn and soybeans using a computer vision system. Transactions of the ASAE, 31(4), 1264-1271.
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), 555709.
Lurstwut, B., & Pornpanomchai, C. (2016). Application of image processing and computer vision on rice seed germination analysis. International Journal of Applied Engineering Research, 11(1), 6800-6807.
Majumdar, S., & Jayas, D. S. (2000). Classification of cereal grains using machine vision: III. Texture models. Transactions of the ASABE, 43(6), 1681-1687.
Majumdar, S., Jayas, D. S., & Bulley, N. R. (1997). Classification of cereal grains using machine vision. ASAE Paper No. 97-3105. St Joseph, Mich., ASAE.
Sakai, N., Yonekawa, S., & Matsuzaki, A. (1996). Two-dimensional image analysis of the shape of rice and its application to separating varieties. Journal of Food Engineering, 27(4), 397-407.
Sapirstein, H. D., Neuman, M., Wright, E. H., Swedyk, E., & Bushuk, W. (1987). An instrumental system for cereal grain classification using digital image analysis. Journal of Cereal Science, 6(1), 3-14.
Shaker, M., Bazrafshan, M., & Jafari, A. (2020). Determining the number of sugar beet seedling using image processing method. Sugarbeet Journal, 36(1), 71-79. (in Persian)
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. (in Persian)
Tanabata, T., Shibaya, T., Hori, K., Ebana, K., & Yano, M. (2012). Smart Grain: high-throughput phenotyping software for measuring seed shape through image analysis. Plant Physiology, 160(4), 1871-1880.
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.
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.
Wan, Y. N., Lin, C. M., & Chiou, J. F. (2002). Rice quality classification using an automatic grain quality inspection system. Transactions of the ASAE, 45(2), 379-387.
Yan, X., Wang, J., Liu, S., & Zhang, C. (2010). Purity identification of maize seed based on color characteristics. Proceedings of the 4th Conference on Computer and Computing Technologies in Agriculture (CCTA). Oct. 22-25, Nanchang, China.
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. | ||
|
آمار تعداد مشاهده مقاله: 156 تعداد دریافت فایل اصل مقاله: 127 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب