کاوه ملازاده

تعیین کیفیت شخم در حین خاکورزی با امکان تنظیم پارامترهای مربوطه، این امکان را فراهم می کند که با کمترین هزینه، به شخمی با کیفیت مطلوب دست یافت. هدف از فاز اول، ابداع الگوریتمی با استفاده از پردازش تصاویر بود که قابلیت تفکیک 9 اندازه کلوخه مختلف را دارا باشد. تصویربرداری ها در سه ارتفاع مختلف اخذ گردید. ویژگی های بافتی از تصاویر خاک شخم خورده با چهار روش آماره های درجه ی اول هیستوگرام ، ماتریس هم رویدادی، ماتریس طول گام و الگوی محلی دودویی استخراج گردید. انتخاب ویژگی بوسیله روش CfsSubsetEval انجام گرفت. شبکه های با توپولوژی 1-19-19، 1-22-14 و 1-20-17 نورون، بهترین عملکرد طبقه بندی را به ترتیب در ارتفاع های 60، 80 و 100 سانتی متری ارائه کردند. بهترین صحت کلی کلاسیفایر شبکه عصبی از تصاویر مربوط به ارتفاع 60 سانتی متر بدست آمد (04/72%). تکنیک حاضر در تخمین قطر متوسط وزنی توده های تا 35 میلی متر، از صحت بالاتری برخوردار بوده (80%) و ازاین جهت، در ماشین های خاکورزی ثانویه ی نرخ متغیر توصیه می شود. در فاز دوم، به اندازه گیری رطوبت خاک، با هدف توسعه روشی غیرتماسی با استفاده از پردازش تصویر و هوش مصنوعی پرداخته شد. آزمایشات مربوطه در گستره ی رطوبتی 6 الی 21% با سه نوع بافت خاک، شامل نیمه سنگین، متوسط و سبک و سه سطح ماده آلی، شامل 0، 1/0 و 2/0 وزنی انجام گردید. در مرحله استخراج ویژگی های رنگی از 7 فضای رنگی و برای کاهش ابعاد، از مقایسه ی میانگین ها و رگرسیون چندمتغیره گام به گام استفاده شد. علاوه بر مدل عمومی، 12 مدل دیگر به تفکیک بافت و ماده آلی توسعه داده شدند. پیش بینی رطوبت خاک با دو روش ANFIS و رگرسیون چندگانه گام به گام انجام شد. نتایج نشان دادکه دو مدل رنگی RGB و RGB نرمال، دارای بیشترین ویژگی های مؤثر در پیش بینی رطوبت خاک بوده اند. در مدل عمومی، بهترین عملکرد ANFIS با تابع عضویت ورودی نوع زنگوله ای و تعداد 5 عدد، تابع عضویت خروجی خطی و روش بهینه سازی هیبرید بدست آمد (957/0= r و 440/1=RMSE). طبق نتایج بدست-آمده، مدل عمومی رطوبت خاک را با خطای زیر 1/1% رطوبت پیش بینی کند. این مقدار برای برخی از مدل های تفکیک شده به زیر 3/0% نیز می رسید. ضریب همبستگی مدل عمومی حاصل از رگرسیون چندمتغیره گام به گام 918/0 بود. همچنین مشخص شد که در 11 مدل از 13 مدل موجود، تمامی شاخص های عمل