خشک کردن یکی از قدیمی¬ترین روش¬های نگهداری محصولات کشاورزی می¬باشد، که بازار محصولات را وسیع¬تر کرده و با استفاده از این روش می توان محصولات را انبار و در تمام طول سال به بازارهای مصرف منتقل نمود. از سوی دیگر، کاربرد پردازش تصویر در زمینه های مختلف از جمله کشاورزی به منظور کنترل کیفیت محصولات افزایش یافته است. در این تحقیق میوه کیوی در خشک کن خلا خشک گردید و شرایط خشک شدن با استفاده از پردازش تصاویر گرفته شده بررسی و با مدل های ریاضی مقایسه شد. برای تعیین شرایط بهینه خشک شدن، اثر فاکتورهای مستقل دما، فشار خلأ و ضخامت ورقه های کیوی بر فاکتورهای وابسته نظیر، زمان خشک شدن، میزان چروکیدگی و میزان توان الکتریکی مصرفی در محصول نهایی با استفاده از طرح آزمایشی فاکتوریل کاملا تصادفی بررسی شدند. نتایج نشان داد فاکتورهای دما، فشار خلأ و ضخامت بر زمان خشک شدن، میزان چروکیدگی و میزان توان الکتریکی مصرفی تأثیر دارد. در این تحقیق، بهترین کیفیت محصول خشک شده میوه کیوی در دستگاه خشک کن خلا با در نظر گرفتن میزان رطوبت نهایی 20 درصد، میزان چروکیدگی 97/33 درصد و میزان توان الکتریکی مصرفی ویژه 98/19 کیلو وات بر کیلوگرم ماده خشک در شرایط با خلأ 10 کیلو پاسکال و دمای 70 درجه سلیسیوس با ضخامت 3 میلی متر در مدت زمان 83 دقیقه بدست آمد. علاوه بر این، از پردازش تصویر برای تشخیص و تخمین پایان زمان فرآیند خشک شدن ورقه های میوه کیوی استفاده شده است. روش ارائه شده بر مبنای استخراج ویژگی های رنگی در چهار فضای رنگی rgb، ycbcr، hsv، lab و ویژگی های شکلی شامل مساحت، محیط، گردی و دایروی بودن از ورقه های کیوی می باشد. به این ترتیب، در هر مرحله از خشک شدن، مقدار نرمال شده هر یک از ویژگی های استخراج شده توسط شبکه عصبی پردازش شده و مقدار محتوای رطوبتی محصول تخمین زده می شود. در روش پیشنهادی از شبکه عصبی mlp با ساختار سه لایه استفاده شد و محتوای رطوبتی را با خطای 25/6% پیش بینی گردید. از سوی دیگر از مدل های ریاضی برای پیش بینی فرآیند خشک شدن استفاده شد که مدل میدلی و معادله تابع کسری بیشترین ضریب همبستگی و کمترین مربع میانگین خطای نسبی را دارند.

تحقیق حاضر شامل دو مرحله آزمایش می باشد که مرحله اول به منظور درجه بندی اناردانه ها و غشاء های خارج شده از میوه ی انار در محدوده های رنگی قرمز، صورتی و سفید می باشد، مرحله ی دوم از آزمایش به منظور ارزیابی درجه ی تازگی اناردانه، از تصویربرداری حرارتی و پردازش این تصاویر استفاده شد. در مرحله ی اول با استفاده از روش پردازش تصویر در محدوده ی مرئی به اجرا درآمد. برای شناسایی چهار گروه اناردانه از 10ویژگی شکلی- اندازه ای، 6 ویژگی بافتی و 10ویژگی رنگی استفاده گردید. به منظور طبقه بندی و شناسایی هر کدام از گروه ها بر مبنای اطلاعات مبتنی بر تصویر از روش تحلیل تفکیک خطی استفاده شد. در این مطالعه از روش "یکی کنار بگذار" (leave one out) به منظور اعتبار سنجی و آزمون داده های ورودی استفاده گردید همچنین برای رتبه بندی ویژگی های ورودی مدل طبقه بند از روش گام به گام به کار برده شد. دقت طبقه بندی بر مبنای ویژگی های اندازه و شکلی 96/6 %، فضای رنگی lab 89/1 %، hsi 84 %، rgb 87 %، بافتی93/3 %، ترکیب بافتی و رنگی 96 % و ترکیب کل ویژگی های استخراجی 99 % موفقیت را نتیجه داد. در قسمت دوم از آزمایش، تعداد 35 اناردانه برای ارزیابی درجه تازگی در طول 15 روز نگهداری در چهار گروه روز اول، پنجم، دهم و پانزدهم تصاویر حرارتی فعال تهیه گردید. به منظور استخراج مقادیر دمایی دو روش بخش بندی بر مبنای آستانه یابی تصاویر حرارتی و ترکیب تصاویر رنگی و حرارتی به روش ثبت تصویر استفاده شد. از ویژگی های دمایی مستخرج برای ارزیابی و طبقه بندی اناردانه های چهار دوره نگهداری در سه بازه ی زمانی 60 ثانیه ای از تصویربرداری (مجموعاً 180 ثانیه تصویربرداری حرارتی) از روش آنالیز تفکیک خطی استفاده شد. میانگین دقت طبقه بندی اناردانه ها در سه بازه ی زمانی 60 ثانیه ی اول، دوم و سوم از تصویربرداری حرارتی 62/1%، 72 % و 79/8 % بدست آمد. برای طبقه بندی دوره ها نیز در سه بازه ی زمانی60 ثانیه بهترین دقت طبقه بندی در 60 ثانیه ی سوم که برای روز اول 98/7% ، روز پنجم 69/23 % ، روز دهم 65/38 % و روز پانزدهم 89/85 % بدست آمد.

تولید غذای سالم، ارزان و همراه با کمترین آسیب های زیست محیطی و از سوی دیگر هزینه های بالای تجهیزات پردازش تصویر ما را بر آن داشت تا روشی مقرون به صرفه را در این اثر علمی به منظور شناسایی علف های هرز مورد ارزیابی قرار دهیم. در این پژوهش یک سامانه فراصوتی با قابلیت ارسال و دریافت امواج پیوسته فراصوتی با فرکانس 40 کیلوهرتز ساخته شد و به یک سه پایه با قابلیت تنظیم در سه جهت x، y و z و چرخش حول محور x مجهز شد تا برد الکترونیکی به صورت کاملا عمودی در قسمت فوقانی تاج پوششی گونه علف هرز مورد مطالعه قرار گیرد. در این مطالعه اقدام به شناسایی 5 گونه علف هرز (خارخسک، خرفه، سلمه تره، علف شور و تاج خروس خوابیده) گردید. در نهایت اقدام به تشخیص هر 5 گونه علف هرز به کمک ویژگی های آماری رایج شکل موج های حاصله از جمله میانگین، واریانس، انحراف معیار، چولگی و کشیدگی شد که شبکه عصبی از نوع کلاس بندی ترتیبی دودویی توانست با درصد تشخیص 100 درصد گونه های علف هرز مورد مطالعه را شناسایی نماید.