تخمین محتوای کلروفیل برگ ذرت با یک اپلیکیشن موبایل اندرویدی

امروز که ایمیلم را چک میکردم به عنوان جالبی از یک مقاله تازه پذیرفته شده از طرف دوستان برخوردم که یکی از مباحث مورد علاقه ام بود. عنوان مقاله این بود:

Development of an android app to estimate chlorophyll content of corn leaves based on contact imaging

یک نامردی و حق الناس بزرگ!

امروز یک ایمیلی برای من اومده بود با این عنوان "افزودن اسم به مقالات در شرف چاپ"

ایمیل را که باز کردم در کمال تعجب دیدم جایگاه نام نویسندگان مقاله به فروش گذاشته شده. یعنی نام کسی بالای مقاله میخوره که هیچ زحمتی به خودش برای نوشتن این مقاله نداده و هیچ اطلاعی از محتوای مقاله نداره.

در ایمیل (سایت ایزی پیپر) ذکر شده که: مقالات زیر در ژورنال های معتبر با ضریب تاثیر بالا پذیرفته شده اند و در مرحله بازبینی نهایی هستند و مولف مقالات جهت جبران بخشی از هزینه ها اقدام به واگذاری جایگاه های نویسندگان می نماید. لذا امکان افزودن اسم به مقالات وجود دارد. علاقه مندان به درج اسم در مقالات سطح بالا می توانند از این امکان بهره مند گردند.

حل معادله کلی لاپلاس در مختصات کروی یا قطبی + فایل پروژه

برای پروژه درس ریاضی پیشرفته مقطع دکتری این موضوع را برداشتم. البته علاقه چندانی به این جور مباحث ندارم اما بالاخره پروژه درسی بود و انجامش واجب.
خیلی دنبال این مبحث توی اینترنت گشتم. فارسی که به هیچ وجه وجود نداشت. اگر هم بود در مباحث برق و الکترونیک بود که با فرمول های درسی خودشون مخلوط شده بود و چیز عجیبی آخرش درومده بود.
اما شاید 100 نوع کتاب و جزوه درسی و پی دی اف انگلیسی در مباحث مختلف و حتی الکترونیک گرفتم و از همه آنها یک مطلب جامع در این مورد آماده کردم که فقط صرف ریاضی است.
همچنین در انتهای فایل پروژه که براتون میذارم کمی درباره نرم افزار EES توضیح دادم که خودم هم به تازگی باهاش آشنا شدم. اما بیشتر تکیه بر روی معادله لاپلاس هست.

موفق باشید

دانلود پروژه (پی دی اف)

فایل های پی دی اف زیر هم همین کار را در مختصات استوانه ای انجام داده اند. البته در این مختصات منابع بیشتری هست که توی اینترنت سرچ کنید گیرتون میاد.

دانلود (تحلیل مختصات استوانه ای)

سیستم برداشت رباتیک برای بادنجان یا بادمجان

خلاصه

    عملیات برداشت برای بادنجان ها پیچیده است و  برای کمی کمتر از 40 درصد کل ساعت های کاری تخمین زده شده است. برای عملیات برداشت خودکار، یک ربات هوشمند که می تواند کار نیروی انسانی ای که لازم است را تقلید  کند. این مقاله توسعه یک سیستم ربات برداشت که وظایف تشخیص، رسیدن و چیدن را انجام می دهد را توضیح میدهد. به منظور انجام این وظایف، سه جزء حیاتی توسعه داده شدند. ابتدا یک الگوریتم ماشین بینایی، که یک عمل جداسازی رنگ و یک عمل تقسیم بندی عمودی را با هم ترکیب می کند، توسعه داده شد. الگوریتم می توانست تحت حالت های متفاوت نور زوج میوه را تشخیص دهد. سپس، یک مدل کنترل فازی پس خور بصری برای بکار انداختن یک بازوی مکانیکی کننده طراحی شد. مدل کنترل، انتهای بازوی مکانیکی کننده را قادر به رسیدن به میوه از فاصله 300 میلی متری می کرد. به علاوه، یک عملگر نهایی متشکل از یک مکانیزم چنگالی گرفتن میوه، یک مکانیزم تشخیص اندازه و یک مکانیزم برش ساقه توسعه داده شده است. این نیروی لازم را برای چنگ زدن میوه و برش ساقه سفت را مهیا میکند. در آخر، سه جزء حیاتی به طور وابسته ای و تابعی با هم ترکیب شده اند و یک آزمایش برداشت مقدماتی در آزمایش گاه برای تخمین کارایی سیستم انجام شد. سیستم، یک نسبت برداشت موفق 5/62 درصد را نشان می دهد، اگر چه عملگر نهایی ساقه را در یک موقعیت اندکی مرتفع برای بستر میوه می برد. مدت زمان اجرا برای برداشت یک بادنجان 1/64 ثانیه بود.

اصول کشاورزی دقیق : اصول نصب و عملکرد ناظر محصول

مقدمه

    ناظر های محصول یکی از پیشرفت های اخیر در کشاورزی ماشینی است، که به تولید کننده های دانه اجازه میدهد که تأثیر هوا، خواص خاک و مدیریت تولید دانه را ارزیابی کنند. ناظر محصول پله منطقی اوّل برای آنهایی است که می خواهند به مدیریت ویژه محصول یا «کشاورزی دقیق» بپردازند. دقت این وسیله وابسته به استقرار مناسب، کالیبراسیون و عملکرد آن است. بنابراین، مستلزم است که تولید کننده های دانه بدانند چگونه ناظر های محصول تجارت دانه را بهبود می بخشند.

    این مقاله بر آن است که در انتخاب، نصب و بکاربردن ناظر محصول به اپراتور های تجهیزات و مدیران مزارع  کمک کند. این سیستم، ارزش حاصل از یک سیستم نظارت محصول، توابع و خود اجزای اساسی ناظر بر محصول و روش هایی برای اطمینان از دقت داده ها را پویش می کند.

فواید استفاده از ناظر محصول

    ناظر محصول برای دادن ارزشیابی دقیق اینکه چگونه محصولات نسبت به زمین نوسان دارند، به کاربر برنامه ریزی شده است. هرچند یک ناظر محصول می تواند به تولید کننده های دانه در خیلی از جنبه های مدیریت محصول کمک کند، وسیله هیچوقت برای تعویض میزان خرید و فروش دانه نیست.

تصور بازگردانی ارتباط تصحیح اختلاف ماهواره GPS برای موقعیت یابی تجهیزات کشاورزی

یک ناظر محصول توسط خودش می تواند اطلاعات مفید آماده کند و تحقیق روی مزرعه را تسهیل کند. داده محصول می تواند برای بار یا زمین خاصی انباشته و متراکم شود، به موجب آن مقایسه هیبرید ها (دو رگه ها)، واریته ها یا عملیات درمان نسبت به گیاه، تسهیل می شود. برای مثال، تمام ناظران محصول میتوانند جرم دانه و مساحت برداشت شده را بر اساس یک « بار- بار » یا « زمین – زمین » تخمین بزند. این ابزار اجازه می دهد که یک اپراتور به طور لحظه ای و آنی در زمین وزن انباشته دانه، مساحت برداشت شده و بازده متوسط را بدست آورد. با ناظران محصول چند تایی، این مقادیر می توانند به یک رایانه شخصی منتقل شوند و در حافظه غیر فرار برای بررسی یا چاپ با پک های نرم افزاری خاص یا نرم افزارهای پردازش کلمه استاندارد و یا نرم افزارهای صفحه گسترده، ذخیره شوند.

بهینه سازی مسائل با برنامه ریزی درجه دوم متوالی یا SQP

در پست های قبلی مقاله ای با عنوان تحلیل و بهینه سازی پروفایل ساقه کولتیواتور برایتان گذاشتم که از روش SQP برای بهینه سازی مسئله خودش استفاده کرده بود.

برنامه ریزی درجه دوم متوالی یک روش تکرار پذیر بسیار مناسب و مفید برای حل عددی مسائل بهینه سازی غیر خطی است. این روش دنباله ای از یک مجموعه مسائل بهینه سازی را حل میکند که هر کدام از آن مسائل یک مدل دو بعدی از موضوع هدف را به یک خطی سازی از شروط بهینه میکنند. اگر مسئله هیچ گونه محدودیت و شرطی نداشت، این روش به روش نیوتن کاهش پیدا میکند. در روش نیوتن نقطه ای پیدا می شود که در آن نقطه گرادیان هدف ناپدید می شود. محدودیت ها به دو نوع برابری و نابرابری (شروط مساوی و نامساوی) تقسیم می شوند. اگر مسئله فقط شروط مساوی داشت، روش SQP معادل استفاده از روش نیوتن برای شرایط بهینگی مرتبه اول مسئله (یا شروط کاروش-کان-تاکر ) است. روش SQP را می توان در متلب اجرا کرد.

مطابق یک مسئله بهینه سازی غیر خطی (NLP) به شکل زیر داریم:

minimize f(x)  ,over x∈R^n    ,   subject to h(x)=0 ,g(x)≤0

که در آن f تابع هدف و توابع h و g، شروط مساوی و نامساوی را توصیف میکنند. اگر تابع هدف دو بعدی باشد و توابع شرط معین مسئله (NLP) حالت دو بعدی پیدا می کند.
روش SQP یک روش تکرار پذیر است که NLP را برای یک تکرار مشخص x^k که k∈N_0 و با یک سری زیر مسئله برنامه ریزی دو بعدی مدل می کند. زیر مسئله ها را حل میکند و از حل آنها برای ساخت یک تکرار جدید x^(k+1) استفاده میکند. این ساختار پایان می پذیرد به گونه ای که دنباله (x^k )_(k∈N_0 ) به یک x^* مینیمم همگرا می شود. روش حل و بیان تئوری آن به علت پیچیده بودن و نیاز به دانش ریاضی پیشرفته در این نوشته نمی گنجد. توجه شود که توابع هدف و شرط باید توابع غیر خطی صاف (یکنواخت)  باشند. یکنواختی بدان معنی است که حداقل قابلیت مشتق پذیری درجه اول را داشته باشند.
برای حل اینگونه مسائل در MATLAB، جعبه ابزاری به نام جعبه ابزار بهینه سازی وجود دارد. یکی از ابزارهای این جعبه برای حل مسائل SQP استفاده می شود:

x = fmincon(fun,x0,A,b)

در این شکل، ابزار از مقدار x_0 شروع کرده تا حداقل x تابع fun را بیابد با توجه به A*x≤b*x_0. پارامتر های A و b نامساوی های خطی هستند.
همچنین در شکل دیگر از این ابزار داریم:

x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub)

در این شکل از استفاده نیز ابزار با تعریف حداقل و حداکثر x (lb,ub)، جواب بین این دو مقدار بدست می آید. پارامتر های Aeq و beq مساوی های خطی هستند.
برای اینکه توابع شروط نامساوی و مساوی غیر خطی را هم منظور کرد شکل زیر از تابع را داریم:

x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon)

این شروط در قسمت nonIcon وارد می شوند. مثلاً:

x = fmincon(@myfun,x0,A,b,Aeq,beq,lb,ub,@mycon)

که پارامتر mycon به قرار زیر است:

function [c,ceq] = mycon(x)

c = ... % Compute nonlinear inequalities at x.

ceq = ... % Compute nonlinear equalities at x.

به عنوان یک مثال از مسئله بهینه سازی در متلب، می خواهیم xای پیدا کنیم که تابع f(x)=-x_1 x_2 x_3 را با شروع از نقطه x=[10;10;10] و با توجه به شرط 0≤x_1+2x_2+2x_3≤72 حداقل کند. ابتدا در متلب m-فایلی را برای تعریف تابع هدف می نویسیم:

function f = myfun(x)

f = -x(1) * x(2) * x(3);

سپس شرط ها را بازنویسی میکنیم تا دو شرط کوچکتر مساوی داشته باشیم:

-x_1-2x_2-2x_3≤0

x_1+2x_2+2x_3≤72

هر دو شرط خطی هستند که آنها را به صورت ماتریسی و به شکل A.x≤b بازنویسی میکنیم:

A=[-1,-2,-2;1,2,2],     b=[0;72]

و در ادامه:

x0 = [10; 10; 10]; % Starting guess at the solution

[x,fval] = fmincon(@myfun,x0,A,b)

که بعد از 66 تکرار مقدار زیر حاصل شد:

fval =

       -3.4560e+03

و شروط نامساوی خطی به مقدار کمتر یا مساوی صفر تخمین زده شدند.

A*x-b=

              -72

              0

همچنین کتابخانه ای پیشرفته تر به نام SQPLab برای این منظور ساخته شده است که مسائل با شرایط بیشتری را می تواند حل کند. فرم استفاده از این کتابخانه به شکل زیر است:

[x,lm,info] = sqplab (@simul, x, lm, lb, ub, options)

که در آن پارامتر ها به قرار زیر هستند:

پارامترهای ورودی:
(x) : برداری که حدس اولیه از حل مسئله را میدهد. طول آن برای تعیین تعداد متغیر ها (n) استفاده می شود.
(lm) – دلخواه: برداری که حدس اولیه از راه حل دوگانه میدهد که 4 حالت متفاوت دارد.
(lb) - دلخواه: برداری که مرز حداقل x را مشخص میکند که میتواند مقدار بینهایت را هم بگیرد.
(ub) - دلخواه: برداری که مرز حداکثر x را مشخص میکند که میتواند مقدار بینهایت را هم بگیرد.
(options) - دلخواه: ساختار تعریف شده برای حل.

پارامترهای خروجی:
(x) : بردار ابعادی که راه حل ابتدایی محاسبه شده برای x را مشخص میکند.
(lm) : برداری ابعادی که حل محاسبه شده راه حل دوگانه را میدهد.
(info) : ساختاری که اطلاعات را برای حداقل سازی مشخص میکند.

تحلیل و بهینه سازی پروفایل ساقه کولتیواتور

لینک مقاله

فارسی مقاله هم نزد بنده موجود است که به صورت خلاصه در زیر آورده شده است.

نیمند و همکاران در سال  1995 به منظور بررسی پروفایل ساقه کولتیواتور در طراحی، یک مدل سازی و پروسه تحلیل نمونه را بر اساس تحلیل المان محدود و روش های عددی عنوان کردند. آنها نتیجه گرفتند که این طراحی به طور چشمگیری تنش ها را کاهش می دهد و موجب افزایش عمر ساقه میگردد.

در تصویر زیر، تصاویر سمت راست به ترتیب نمای مقطعی از قسمت های A-B و B-C و C-D هستند. در تیغه نمونه مورد بررسی آنها قسمت A-B که در آن شکست رخ میدهد دارای سختی کمتری نسبت به قسمت های پایینی بود و در نتیجه بخش عمده ای از تغییر شکل در این بخش بود، و به علت سختی بالاتر قسمت های B-C و C-D و حرکت و دوران عمده در قسمت A-B این قسمت ها به صورت صلب حرکت می کنند. توانایی نفوذ به عمق مناسب کاملاً وابسته به مقدار سختی کلی است. به منظور توزیع یکنواخت تنش، هر سه مقطع دوباره طراحی شدند. به این منظور رفتار ساقه با روش المان محدود بررسی شد. در مرحله اول از المان های تیری با 65 المان خطی در طول ساقه مورد استفاده قرار گرفت. این مدل که در حالت طبیعی و معمولی بستن تیغه فرض شد، در معرض یک واحد بار در قسمت نوک آزاد ساقه (قسمتی از ساقه که در عمیق ترین قسمت با خاک در ارتباط است.) قرار داشت. این بار (F) در شکل بالا نمایان است. با این بار یک ممان خمشی ماکزیمم در قسمت A-B ایجاد می شود. همچنین بررسی های متفاوتی روی مقاطع سه گانه با اندازه های متفاوت و نحوه قرار گیری آنها، به منظور یافتن حساسیت سختی کلی نسبت با حداکثر تنش کششی انجام شد. آنها دریافتند که 30 درصد افزایش سختی خمشی قسمت های A-B و B-C، EI با کاهش 30 درصدی سختی قسمت C-D، 30 درصد کاهش تنش ماکزیمم در قسمت بحرانی A-B را در پی داشت. در حالیکه تنها 7 درصد کاهش در سختی کلی ایجاد می شد.

آنها با روش بهینه سازی و کاهش تابع هزینه تعریف شده بر اساس کار مجازی نتیجه گرفتند که در شرایط تنش مورد انتظار و مطلوب، طراحی بهینه بهبودی قابل توجهی نسبت با طراحی استاندارد داشت. از آنجاییکه ممکن است تولید کننده از یک تسمه آماده از قبل استفاده کند از نقطه نظر تولید و ساخت این طراحی مورد توجیه است. زمانیکه مقادیر زاویه θ را افزایش می دهیم مقدار سختی قسمت C-D کاهش پیدا می کند و بر همین اساس سختی قسمت A-B افزایش پیدا می کند. این منجر به تغییر شکل و جذب بیشتر نیرو در بخش C-D می گردد. در کل این طراحی منجر به تنش پذیری کمتر کل ساق می گردد و به طور قابل توجهی طراحی ساقه بهینه می شود.

یک سیستم ماشین بینایی آزمایشی برای سورتینگ تمبر هندی

لینک مقاله

دستگاه شامل نقاله و لوازم آن، منابع نوری و سنسور های نوری، جدا کننده های بادی، و رایانه و میکرو کنترلر می باشد.

در حین حرکت نقاله غلاف های تمبر هندی از یک فتو سنسور متشکل از یک دیود لیزری (یک نیمه هادی کوچک که وقتی جریان الکتریکی از آن میگذرد تولید اشعه می کند، مورد استفاده در فیبر نوری، چاپگر های لیزری، دستگاه کنترل از راه دور و غیره) و یک فوتو ترانزیستور (نیمه هادی حالت جامد که با جذب نور حفره هایی در آن ایجاد می شود و این جریان توسط عمل ترانزیستور تا چندین برابر تشدید می شود.) سیگنال تولید شده را به میکرو کنترلر می فرستد و این سیگنال پردازش شده موجبات دستور رایانه برای عکس برداری را فراهم می کند.

بعد از پردازش تصویر، اطلاعات برای میکرو کنترلر، برای به کار انداختن جدا کننده های بادی فرستاده می شود. از توضیحات مقاله اینگونه برداشت می شود که با عبور غلاف از جلوی سنسور هایی که در موقعیت جک های بادی قرار گرفته است، جک بادی مربوط باید کار کند. یعنی پس از تشخیص نوع محصول، داده پردازش شده به میکرو کنترلر فرستاده می شود. یعنی به میکرو کنترلر دستور حرکت جک معینی داده می شود.

اما میکرو کنترلر منتظر می ماند تا سیگنالی از سنسور نوری قبل از جک دریافت شود. به محض دریافت سیگنال دستور عملکرد جک را می فرستد و جک عمل می کند. همین روند را میتوان در دستگاه به کار برد. یعنی در ابتدا با عبور گوجه از جلوی سنسور اول سیگنالی به میکرو کنترلر فرستاده می شود. میکرو کنترلر آن را به رایانه می فرستد و رایانه طبق آن دستور عکسبرداری می دهد؛ سپس عکس را پردازش کرده و داده حاصل در یک آرایه چند تایی قرار میدهد. این آرایه به تعداد مشخصی پر می شود.

کاربردی نوین از پردازش تصویر در نوار نقاله ها و ربات های صنعتی

کاربردی نوین از پردازش تصویر در نوار نقاله ها و ربات های صنعتی

دانلود

دانلود مقاله ای پیرامون میکروکنترلر

به آی سی هایی که قابل برنامه ریزی می باشد و عملکرد آنها از قبل تعیین شده میکروکنترلر گویند. میکرو کنترل ها دارای ورودی – خروجی و قدرت پردازش می باشد . این آی سی ها حکم یک کامپیوتر در ابعاد کوچک و قدرت کمتر را دارند بیشتر این آی سی ها برای کنترل و تصمیم گیری استفاده می شود چون طبق الگوریتم برنامه ی آن عمل می کند این آی سی ها برای کنترل ربات ها تا استفاده در کارخانه صنعتی کار برد دارد . امکانات میکرو کنترلرها یکسان نیست و هر کدام امکانات خاصی را دارا می باشند و در قیمت های مختلف عرضه می شود .

سرفصل :

آشنایی با دستگاه اسیلوسکوپ

معرفی پورت موازی

میکروپروسسور به عنوان قلب یک کامپیوتر

مختصری بر تاریخچه ی ریزپردازنده ها

چرا میکروکنترلر؟

بررسی انواع حافظه ها

آشنایی با پورت سریال

مفهوم فرکانس ساعت پردازنده

همه چیز در باره بایوس کامپیوترتان

دانلود