عملیات خاک ورزی در حدود نیمی از انرژی مورد نیاز برای تولید محصول را به خود اختصاص می دهد. طراحی ادوات خاک ورزی، مستلزم تخمین مناسب نیروهای وارده از طرف خاک به این ادوات می باشد. تاکنون روش های متفاوتی از جمله روش های تحلیلی، تجربی و انواع روش های عددی برای تعیین بر هم کنش تیغه و خاک مورد بررسی قرار گرفته است. بنا به تحقیقات انجام گرفته، برای مواد گرانوله مانند خاک، روش عددی المان مجزا (dem) از نظر اقتصادی و محاسباتی به صرفه تر و سریع تر از سایر روش هاست. روش عددی المان مجزا ( dem ) تغییرات سه بعدی خاک، حرکت لایه های مختلف و گسترش ترک در خاک را به خوبی مدلسازی می کند. در این تحقیق عملکرد سه نوع تیغه ی کج ساق، معمولی و پاراپلو در دو حالت تجربی و مدلسازی مورد ارزیابی قرار گرفت. بدین منظور آزمایشاتی در سویل بین کارگاه گروه مکانیک ماشین های کشاورزی دانشگاه ارومیه در آزمایش فاکتوریل بر پایه طرح کاملاً تصادفی با سه تکرار اجرا گردید. فاکتور های مورد بررسی سرعت پیشروی و نوع تیغه بودند. به طوری که تاثیر نوع تیغه و سرعت پیشروی در 5 سطح 1، 5/1، 2، 5/2 و km/h3 و عمق ثابتcm 30 بر روی نیروی مقاوم کششی مورد بررسی قرار گرفتند. نتایج حاصل از تجزیه واریانس و مقایسه میانگین نشان داد که سرعت پیشروی و نوع تیغه در سطح احتمال ?1 تاثیر معنی داری روی نیروی مقاوم کششی داشتند. در این مطالعه برای مدل کردن خاک واقعی، پارامترهای مورد نیاز روش المان مجزا کالیبره شدند. برای کالیبراسیون پارامترهای روش المان مجزا، آزمایش برش مستقیم مدلسازی شد. تیغه ها و جعبه خاک با ابعاد مشخص، با استفاده از نرم افزار pfc3d مدل شدند. حرکت تیغه ها در عمق ثابت cm 30 مطابق با سرعت های مورد ارزیابی در روش تجربی، شبیه سازی گردید. مدلسازی انجام شده نتایجی نزدیک با نتایج تجربی را نشان داد. در هر سه نوع تیغه، با افزایش سرعت پیشروی، نیروی مقاوم کششی روند افزایش داشته به طوری که در تمامی سرعت ها کمترین نیروی مقاوم کششی مربوط به تیغه کج ساق و بیشترین نیروی مقاوم کششی مربوط به تیغه پاراپلو است. نتایج حاصل از شبیه ها با نتایج تجربی بدست آمده مقایسه گردید. به طوری در سرعت km/h3 مقادیر نیروی کششی برای سه نوع تیغه کج ساق، معمولی و پاراپلو به ترتیب 9/1256، 1/1543 و n 1/1843 بدست آمد .

یکی از کاربرد های تکنیک پردازش تصویر و بینایی ماشین در حوزه ی کشاورزی، شناسایی طیف وسیعی از ارقام مختلف محصولات زراعی و باغی می باشد. در این تحقیق با تلفیق روش های پردازش تصویر و شبکه های عصبی مصنوعی (ann)، اقدام به شناسایی ده واریته ی سیب زمینی شد. این ده گروه واریته عبارتند بودند از: آگریا، ساولان، فلوریدا، فونتانه، ناتاشا، ورونا، کارسو، الودی، ساتینا و امراد. تمامی پردازش ها توسط نرم افزار matlab انجام گرفت. با توجه به پارامتر های شناسایی شامل شاخصه های رنگ، بافت و شکل، در مجموع تعداد 38 ویژگی برای هر رقم به دست آمد. به کمک روش آماری تجزیه به مولفه های اصلی (pca) تعداد 16 مولفه از کل 38 مولفه جهت شناسایی و تفکیک واریته های سیب زمینی انتخاب گردید. با استفاده از تحلیل تمییزی (discriminating analysis)که یک کلاسیفایر خطی می باشد و نیز شبکه عصبی، داده های حاصل از تحلیل تصویر تحت عمل طبقه بندی قرار گرفتند.دقت جدا سازی صحیح واریته ها برای ارقام فوق با استفاده از روش da به ترتیب برابر 3/73، 3/93، 3/73، 40، 3/73،3/73، 7/66، 80، 40 و 3/53 درصد و دقت کلی جدا سازی برابر7/66 درصد به دست آمد. اما با استفاده از کلاسیفایر شبکه عصبی، دقت طبقه بندی برای تمامی واریته ها، 100 درصد و نرخ طبقه بندی صحیح (ccr) نیز برابر 100 درصد حاصل شد. نتایج به دست آمده، نشانگر تشخیص واریته های سیب زمینی به کمک تکنیک پردازش تصویر و شبکه عصبی مصنوعی می باشد.