پژوهش‌های مکانیک ماشینهای کشاورزی

چکیده This study aimed to develop and compare multivariate and stepwise regression models for predicting yield and energy indices in sugar beet (Beta vulgaris L.) cultivation. Field data were collected from 83 farms in Shahrekord County, Chaharmahal and Bakhtiari Province, Iran. Energy indices—including energy ratio (ER), energy productivity (EP), specific energy (SE), and net energy gain (NEG)—were calculated based on input and output energy equivalents. The results showed an average sugar beet yield of 56.11 t ha⁻¹, with corresponding ER of 40.89, EP of 2.43 kg MJ⁻¹, SE of 0.41 MJ kg⁻¹, and NEG of 919,750.28 MJ ha⁻¹. The multivariate regression model demonstrated superior predictive accuracy (full data R² = 98.8%, 5-fold Cross Validation R² ≈ 91.0%) compared to the stepwise model (full data R² = 95.7%, 5-fold Cross Validation R² ≈ 92.5%), owing to its inclusion of interaction and quadratic effects. Key interactions—including nitrogen × phosphate (positive), phosphate × micronutrients (negative), and human labor × nitrogen (positive)—highlighted the importance of balanced nutrient management. The highest energy input shares were attributed to diesel fuel and micronutrients (together accounting for >64% of total input energy), underscoring the need for improved machinery efficiency and targeted micronutrient application. For energy indices, multivariate regression achieved excellent fit (R² = 99.54% for ER and EP; R² = 97.66% for SE), with crop yield, micronutrients, diesel fuel, and nitrogen identified as the most influential variables. The optimal application ranges for maximizing yield were estimated at 80–90 kg ha⁻¹ (phosphate), 60–70 kg ha⁻¹ (micronutrients), and 60–70 kg ha⁻¹ (nitrogen). These findings provide practical insights for optimizing energy consumption, reducing environmental impacts, and enhancing sustainable sugar beet production in semi-arid agricultural systems.

چکیده برنج غذای اصلی حدود 2/5 میلیارد نفر از جمعیت جهان است. کیفیت این محصول تحت تاثیر عوامل مختلفی است. در نتیجه، کنترل کیفیت و تشخیص تقلب از مسائل مهم صنعت برنج محسوب می شود. هدف از این تحقیق، بررسی و تشخیص تقلب برنج با بکارگیری روش طیف سنجی Vis/NIR و روش های شیمی سنجی و یادگیری ماشین بود. برای انجام آزمایش ها 13 کلاس براساس میزان اختلاط رقم اصلی برنج (رقم هاشمی) با ارقام غیراصلی فجر، گیلانه، خزر و شیرودی تهیه شد، بدین صورت که کلاس های ناخالص حاصل اختلاط 90، 80 و 70 درصد از برنج رقم هاشمی به ترتیب با 10، 20 و 30 درصد از ارقام دیگر مورد اشاره بود. برای طبقه بندی نمونه های برنج از الگوریتم های پرسپترون چندلایه (MLP)، درخت تصمیم (DT) و ماشین های بردار پشتیبان (SVM) استفاده شد. برای ارزیابی عملکرد طبقه بندهای مورد مطالعه از شاخص های آماری شامل حساسیت (Se)، ویژه بودن (Sp)، صحت (Ac) و ریشه میانگین مربعات خطا (RMSE) در قالب توسعه ماتریس های آسیمگی طبقه بندها استفاده شد. نتایج مطالعه نشان داد که الگوریتم های درخت تصمیم از نوع J48، شبکه های عصبی مصنوعی پرسپترون چندلایه و ماشین بردار پشتیبان با تابع هسته RBF به ترتیب با مقادیر صحت و RMSE برابر با 100 درصد و صفر، 96/92 درصد و 0/0951 و 92/31 درصد و 0/2483 توانستند نمونه های مختلف برنج سفید را طبقه بندی کنند.

چکیده آلو یکی از میوه‌های مغذی و محبوب در کشور ایران محسوب می‌شود. بسته به کیفیت میوه تازه قبل از برداشت و چگونگی فرایند خشک شدن، درجات کیفی مختلفی از این میوه به‌صورت آلو خشک تولید می‌شود. در این پژوهش از یک سامانه بینایی رایانه‌ای و الگوریتم‌های یادگیری ماشین به‌منظور طبقه‌بندی آلو خشک به سه درجه کیفی مختلف استفاده شد. ویژگی‌های مختلف رنگی، شکلی و بافتی از تصاویر نمونه‌های آلو خشک استخراج شدند و به‌صورت مجزا و در ترکیب با همدیگر برای توسعه الگوریتم‌های طبقه‌بندی شبکه‌های عصبی پرسپترون چندلایه (MLP)، ماشین بردار پشتیبان (SVM)، آنالیز تشخیصی خطی (LDA)، و درخت تصمیم (DT) استفاده شدند. به‌منظور کاهش تعداد ویژگی‌ها و استخراج ویژگی‌های مهم‌تر از روش انتخاب ویژگی انتخاب ویژگی مبتنی بر همبستگی (CFS) استفاده شد. نتایج نشان داد که ترکیب ویژگی‌های مختلف استخراج شده از تصویر در مقایسه با ویژگی‌های رنگی، بافتی یا مورفولوژیکی به‌صورت مجزا، باعث افزایش دقت طبقه‌بندی می‌شود. در این راستا، مدل DT از نوع جنگل تصادفی (RF) با استفاده از ترکیب ویژگی‌های تصویر و الگوریتم انتخاب ویژگی CFS دارای بیشترین دقت طبقه‌بندی در مراحل آموزش و ارزیابی بود. مقادیر مجذور میانگین مربعات خطا (RMSE) و دقت مدل CFS-DT به ترتیب در مرحله آموزش برابر با 1958/0 و 75/93 درصد، و در مرحله ارزیابی برابر با 2110/0 و 67/91 درصد به دست آمدند. با توجه به این پارامترهای عملکردی و ماهیت سامانه‌های بینایی رایانه‌ای، می‌توان از نتایج حاصل از این پژوهش جهت توسعه یک سامانه دقیق، سریع و ارزان جهت درجه‌بندی کیفی آلو خشک استفاده کرد.

چکیده در پژوهش حاضر از یک سامانه خشک‌کن تسمه نقاله‌ای پیوسته ترکیبی شامل آبگرمکن خورشیدی و لامپ‌های مادون قرمز تامین شونده با انرژی خورشیدی برای خشک کردن برگ‌های رزماری استفاده شد و مشخصات عملکرد آن از نظر زمان خشک شدن، انرژی مصرفی کل، نسبت انرژی خورشیدی و بازده انرژی مورد ارزیابی قرار گرفت. در هر آزمایش مقادیر 300 گرمی از برگ‌های تازه برداشت شده رزماری در دمای هوای 50 درجه سلسیوس و مقادیر مختلف سرعت جریان هوای ورودی (7، 8 و 9 متر بر ثانیه) و توان لامپ مادون قرمز (0، 150 و 300 وات) تحت فرایند خشک شدن قرار گرفتند. نقطه بهینه برای شرایط کاری سامانه خشک‌کن با استفاده از روش سطح پاسخ با انتخاب مقادیر مناسب برای سرعت هوای ورودی و توان مادون قرمز بر اساس این معیارها تعیین شد: به حداقل رساندن زمان خشک‌شدن، به حداقل رساندن انرژی مصر‌فی کل، به حداکثر رساندن بازده انرژی و به حداکثر رساندن نسبت انرژی خورشیدی. بر این اساس، نقطه بهینه انتخابی شامل توان مادون قرمز 300 وات و سرعت هوای 85/8 متر بر ثانیه بود. تحت شرایط تعریف شده، مشخصات عملکردی سامانه خشک کن شامل زمان خشک کردن، انرژی مصرفی کل، بازده انرژی و نسبت خورشیدی به ترتیب برابر با 13/149 دقیقه، kJ 91/3868، 37/52 درصد و 57/0 بدست آمد. با توجه به یافته‌های این تحقیق می‌توان نتیجه گرفت که بکارگیری سامانه‌های خشک‌کن توسعه یافته می‌تواند تا حد قابل توجهی نیاز به منابع سوخت فسیلی را کاهش داده و منجر به راندمان عملکردی قابل قبول در فرایند خشک کردن گیاهان دارویی شود.

چکیده درجه‌بندی و دسته‌بندی کیفی برنج یکی از عوامل مؤثر بر بازارپسندی و رضایت مشتری است. هدف از این پژوهش تدوین الگوریتم دقیقی برای تشخیص سه شاخص‌ مهم کیفی دانه‌های برنج شامل درصد دانه‌های شکسته،‏ درصد دانه‌های گچی و درجه سفیدی دانه‌های برنج بود. تعدادی نمونه‌ی برنج رقم علی‌کاظمی،‏ از مؤسسه تحقیقات برنج کشور تهیه شد. پس از نظرسنجی از اشخاص خبره،‏ از هر یک از ویژگی‌های مذکور سه سطح کمی (کم،‏ متوسط و زیاد) تعریف شد. از هر 270 نمونه برنج در شرایط یکسان تصویر‌برداری انجام شد. در تدوین مدل استنتاج فازی برای قیمت‌گذاری محصول از موتور استنتاج فازی نوع ممدانی بهره‌گیری شد و غیرفازی‌سازی با غیرفازی‌ساز مرکز ناحیه انجام شد. نتایج نشان داد که دقت الگوریتم پردازش تصویر در تشخیص درصد عددی دانه‌های شکسته،‏ درصد عددی دانه‌های گچی و درجه سفیدی دانه‌های برنج به‌ترتیب و به طور متوسط برابر با 2‎/95 درصد،‏ 74‎/90 درصد و 99‎/98 درصد بود. زمان کل مورد نیاز برای اجرای الگوریتم پردازش تصویر و فرآیند استنتاج فازی با سه ورودی تا تعیین قیمت محصول برابر 24‎/2 ثانیه بود. تصمیمات گرفته شده با مدل فازی در 2‎/95 درصد از موارد با نظر اعلام شده از سوی کارشناس خبره همخوانی داشت. این سامانه به خوبی می‌تواند جایگزین روش‌های سنتی مورد استفاده در بازار خرید و فروش و کارخانه‌های فرآوری محصول برنج شده و در زمان کمتر و با دقت بیشتر خصوصیات کلیدی دانه‌های برنج را ارزیابی کند.