جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه support vector machine (svm) در نشریات گروه کشاورزی
support vector machine (svm)
در نشریات گروه مکانیزاسیون کشاورزی
تکرار جستجوی کلیدواژه support vector machine (svm) در مقالات مجلات علمی
-
مدیریت تولید محصولات گلخانه ای نیازمند دانش کنترل بسیاری از عوامل محیطی ، تغذیه گیاهی و مبارزه با آفات و بیماری های گیاهی است. یکی از مهمترین فعالیت ها در فرآیند تولید محصولات گلخانه ای شناخت و مبارزه با آفات می باشد. از جمله روش های اثر بخشی سموم و کاهش میزان مصرف آنها خصوصا در مورد سموم کنترل کننده آفات حشره ای، پیش آگاهی و اطلاع از تراکم جمعیتی آفات است. فناوری شبکه های حسگر بیسیم (WSN) از جمله فناوری های نوینی است که به منظور حس کردن محیط و جمع آوری و انتقال اطلاعات به سمت کاربر یا ایستگاه مرکزی برای مشاهده و عکس العمل مناسب با رخداد یا پدیده ای بکار برده می شوند. در تحقیق حاضر، امکان استفاده از WSN در دیده بانی و تشخیص به موقع آفت مگس سفید گلخانه و تهیه و ترسیم نقشه آلودگی گلخانه مورد بررسی قرار گرفت. برای این منظور تعداد 3750 تصویر از 15 تله چسبی نصب شده در گلخانه ای با محصول طالبی در مرکز تحقیقات و آموزش جهاد کشاورزی اصفهان که به مگس سفید آلوده شده بودند تهیه و به صورت خودکار با استفاده از WSN و به صورت بیسیم به رایانه واقع در فاصله 900 متری از گلخانه انتقال می یافت. تصاویر رنگی تله های چسبی که به کمک 15 دوربین تصویر برداری تهیه شدند با استفاده از نرم افزار متلب به تصاویر خاکستری تبدیل شده و بعد از بخش بندی توسط الگوریتم ماشین بردار پشتیبان (SVM) و بر اساس ویژگی های تصاویر، به دو دسته تصاویر دارای آفت مگس سفید و فاقد مگس سفید طبقه بندی شدند. پس از شناسایی آفت مگس سفید، تعداد آفات تصاویر شمارش شده و با توجه به تعداد آنها با استفاده از نرم افزار ArcMap10. 2 نقشه آلودگی گلخانه ترسیم گردید. با ارزیابی سامانه نتایج نشان داد که دقت الگوریتم SVM برای طبقه بندی تصاویر تله های چسبی برابر 73/97 درصد است و میانگین مقادیر شاخص های آماری ماتریس اغتشاش برای 15 تله چسبی شامل حساسیت، صحت، اختصاصی بودن و دقت طبقه بندی به ترتیب 46/98، 31/86، 08/99 و 72/97 درصد می باشد. میانگین دقت کلی سامانه در تشخیص و شمارش تعداد مگسهای سفید به دام افتاده در تله های چسبی 71/97 درصد می باشد. محاسبه ریشه میانگین مربعات خطا (RMSE) در برآورد تعداد مگس سفید به روش پردازش تصویر و شمارش مستقیم بین 1 تا 03/5 متغیر بود. لذا استفاده از این سامانه برای تشخیص و ردیابی و شمارش تعداد مگس های سفید به دام افتاده مناسب است و می توان با ترسیم نقشه آلودگی گلخانه برنامه ریزی مناسب جهت مبارزه با آفت مذکور انجام داد.کلید واژگان: شبکه حسگر بیسیم، مگس سفید، تله چسبی، ماشین بردار پشتیبان، نقشه آلودگیManaging the production of greenhouse products requires knowledge of controlling many environmental factors and plant nutrition and fight against pests and plant diseases. Recognition pests and fight against them is one of the most important activities in the process of production of greenhouse products. Pre-knowledge of the demographic density of insect pests is one of the effective methods of pesticides and reduce their levels of use, especially for insect pest control toxins. Wireless Sensor Networking Technologies (WSN) is one of the new technologies used to sense the environment and collect and transmit information to the user or the central station to view and respond appropriately to an occurrence or phenomenon. In this study, the use of WSN in monitoring, timely diagnosis of greenhouse white flies, design and mapping of greenhouse contamination was investigated. For this goal, 3750 images of 15 sticky traps with white flies that attached to Melon greenhouse in Isfahan Agricultural Jihad Research Center were provide and transmitted online using a WSN to a computer located at a distance of 900 meters from the greenhouse. The color images of the sticky traps are acquired by using 15 digital cameras were converted to gray colored images using MATLAB software, then after image classification with Support Vector Machine (SVM) classifier based on their features, are divided into two categories of images: whiteflies affected image and whiteflies unaffected image. After identification of the white flies, number of pests was counted and infection maps of Greenhouse with ArcMap10.2 software was drawn up. Assessment of the system showed that accuracy of SVM algorithm for categorizing images of sticky traps was 97.73%, and the average values of statistic parameters of the Confusion matrix for 15 traps including sensitivity, accuracy, specificity and classification accuracy were 98.46%, 83.31%, 99.08% and 97.72% respectively. The overall accuracy of the system for detection and counting Greenhouse whitefly pests is 97.71%. The average root mean square error (RMSE) in estimating of the number of white flight by image processing and direct counting was between 1 and 5.03. Therefore, the system is suitable for detecting and tracing and counting the number of trapped white flies, and it is possible to design appropriate greenhouse poisoning plans to fight this pest.Keywords: : Wireless Sensor Network (WSN), infection maps, whitefly, sticky traps, Support Vector Machine (SVM)
-
در این مقاله روشی هوشمند به منظور طبقه بندی اردک های سالم و بیمار بر اساس صدای منتشره از آن ها طراحی و به کار گرفته شده است. بدین منظور ابتدا پرندگان بر اساس وضعیت سلامتی به دو طبقه ی سالم و بیمار تقسیم و صدای هر یک توسط یک میکروفن ثبت شد. سیگنال های تحصیل شده توسط تبدیل سریع فوریه از حوزه ی زمان به حوزه فرکانس انتقال یافتند. سپس 5 تابع ویژگی واریانس، انحراف از معیار، ریشه ی میانگین مربعات، میانگین و کورتسیس از سیگنال های حوزه ی زمان و فرکانس استخراج شدند. از دو طبقه بند شبکه عصبی مصنوعی و ماشین بردار پشتیبان به منظور شناسایی سیگنال های صدا استفاده شد. شبکه عصبی مصنوعی توانست به ترتیب با دقت 75 و 1/82 درصد و ماشین بردار پشتیبان نیز به ترتیب با دقت 7/85 و 8/92 درصد بر اساس سیگنال های حوزه زمان و حوزه ی فرکانس، سیگنال های صدای مربوط به اردک های بیمار و سالم را از یکدیگر تشخیص دهند.کلید واژگان: تشخیص پرندگان بیمار، سیگنال های صدا، داده کاوی، شبکه عصبی مصنوعی، ماشین بردار پشتیبانIn this paper, a smart method is designed in order to classify healthy and illness ducks using their emission voice. For this purpose, firstly, the birds based on their healthy condition are divided into the different categories and then their voices are saved using a microphone and data acquisition card. Gained signals were transformed from time-domain signal to frequency domain using Fast Fourier Transform (FFT). Then, 5 statistical features are extracted from both time and frequency signals namely, mean, standard division, root mean square, variance and kurtosis. Two classifiers which are artificial neuralnetworks (ANN) and support vector machine (SVM) are used, in order to acquire the bird classification in healthy and sick accuracy. The accuracy of ANN classifier in detection of healthy birds within sick and weak birds was determined 75% and 82.1 % based on the time and frequency domain of the sound signals, respectively. The accuracy of SVM classifier in detection of healthy birds within sick and weak birds was determined 85.7 % and 92.8 % based on the time and frequency domain of the sound signals, respectively.Keywords: sick bird's detection, sound signals, data mining, artificial neural network (ANN), support vector machine (SVM)
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.