به کارگیری الگوریتم سوپرپیکسل در قطعه بندی تصاویر گوجه فرنگی گلخانه
- سال انتشار: 1401
- محل انتشار: چهاردهمین کنگره ملی مهندسی مکانیک بیوسیستم و مکانیزاسیون ایران
- کد COI اختصاصی: NCAMEM14_163
- زبان مقاله: فارسی
- تعداد مشاهده: 356
نویسندگان
دانشجوی کارشناسی ارشد، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان
استادیار، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان
استادیار، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان
دانشجوی کارشناسی ارشد، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان
چکیده
کشاورزی یک منبع حیاتی برای تامین بخش عظیمی از تغذیه انسان است. همزمان با رشد جمعیت، برایپاسخگویی به تقاضای مردم پیشرفت در کشاورزی یک نیاز است. در کشاورزی امروزی، انتخاب روشهایی کهباعث صرفه جویی در زمان و هزینه شود، مورد نیاز است. همچنین در انتخاب روش بررسی خواص و شرایطمحصولات باید از راهکاری استفاده کرد که آسیب کمتری به محصولات وارد کند. در میان فنآوری هایجدید مختلف که توسط کشاورزی استفاده می شود، استراتژی های پردازش تصویر راهحلی خوش بینانه برایوظایف مختلف کشاورزی را نشان میدهند که سریع و به هزینه حساس است. اما وجود شرایط محیطی پیچیدهمانند تغییر روشنایی محیط، شباهت رنگی محصول با پس زمینه و همپوشانی محصول با شاخه و برگ منجرب بهپیچیدگی روش های پردازش تصویر شده است. امروزه پژوهشهای زیادی در زمینه ی یادگیری ماشین باهدف کاهش پیچیدگی الگوریتم های پردازش تصویر صورت گرفته است. در این پژوهش به منظور کاهشپیچیدگی های الگوریتم های پردازش تصویر از الگوریتم سوپرپیکسل به منظور قطعه بندی تصویر استفاده شدهاست. این الگوریتم برای قطعه بندی تصاویر از الگوریتم خوشه بندی SLIC بهره میبرد. نتایج بدست آمده اینپژوهش گواه قدرت تفکیک ۹۷ درصدی این الگوریتم در تفکیک پس زمینه و محصولات از یکدیگر می باشد.کلیدواژه ها
سوپرپیکسل، الگوریتم SLIC ، تصویر گوجه فرنگیمقالات مرتبط جدید
- بهینه سازی مدیریت انرژی در ریزشبکه ها با استفاده از الگوریتم های هوش مصنوعی
- مبانی، کاربردها و چالشهای یادگیری مشارکتی و تحلیل تجربی و مقایسه ابزارهای یادگیری فدرالی در پیاده سازی مدلهای یادگیری ماشین
- راهکارهای مبتنی بر هوش مصنوعی برای بهره وری انرژی در تولید سیمان: یک بررسی جامع
- معماری اینترنت اشیا مبتنی بر هوش مصنوعی در مدیریت انرژی هوشمند
- سیستم های EMS/BMS در ساختمان های ZEB و نمونههای اجرا شده آن در سطح جهانی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.