توليد محصولات كشاورزي با كيفيت با بهره گيري از هوش مصنوعي / کاربردهاي وسيع هوش مصنوعی در کشاورزی را بشناسيم

به گزارش سرویس خبری بسیج علمی از اردبیل؛ امروزه هوش مصنوعی جایگاه ویژه ای در زندگی، علم و صنعت پیدا کرده است و جایگاه خود را در زندگی روزمره ما انسانها یافته است. هوش مصنوعی از علومی است که در دهه های گذ شته پیشرفت شگرفی را در علم به وجود آورده است.

با توجه به گسترش صنعت و رشد سریع آن همواره بشر به دنبال سرعت بخشیدن به کارها با دقت بالاتری بوده است. استفاده از روشهای هوش مصنوعی به جای تصمیم گیریهای دستی و انسانی علاوه بر اینکه سبب افزایش بهره وری می گردد از دقت بالایی نیز برخوردار است.

محققین هوش مصنوعی علاقه مند به تولید ما شینی هستند که دستورات مورد نیاز را هوشمندانه انجام دهد.  به عنوان مثال، قابلیت کنترل، برنامه ریزی و زمانبندی، توانایی تشخیص جواب به سوال مصرف کننده، دست نویسها، زبانشناسی، سخنرانی و شناسایی چهره و غیره را داشته باشد.  

صنعت کشاورزی یکی از شاخه هایی است که امروزه به شدت نیازمند محاسبات و انجام عملیات خودکار با استفاده از هوش مصنوعی ا ست.  به طوری که در مراحل مختلف کشت محصول از جمله کاشت، داشت و برداشت، در مراحل مختلف انبار و فراوری محصولات کشاورزی از جمله کیفیت سنجی می تواند مورد استفاده قرار بگیرد.  علاوه بر این در موارد تصمیم گیری های کلان کشاورزی از جمله مدیریت در زمینه های تعمیر و نگهداری تجهیزات، کشاورزی دقیق، تخمین عملکرد و غیره نیز کاربردهای گوناگونی یافته است.

تاریخچه

واژه هوش مصنوعی به معنای امروزی آن، نخستین بار در سال 1956 میلادی توسط جان مک کارتی ، ماروین مینسکی  و سایر همکارانشان در کنفرانس دارموس مطرح گردید.  هربرت سیمون  در سال 1958 پیش بینی کرد که در ده سال آینده، رایانه ها قادر خواهند بود که قهرمان شطرنج باشند، این پیش بینی البته تا حدود زیادی به وقوع پیوست. پیش بینی از آینده درخشان هوش مصنوعی در آن سالها، ناشی از دستاوردهای اولیه بود.  برای هوش مصنوعی تعریف های متعددی ذکر شده است که همگی آنها را می توان در قالب دو رویکرد عمده هوش مصنوعی ضعیف و هوش مصنوعی قوی قرار داد.

شاخه های هوش مصنوعی شامل سیستم های خبره، الگوریتم ژنتیک، منطق فازی ، شبکه های عصبی ، ربات ها  می باشد.

کاربرد هوش مصنوعی در کشاورزی

هوش مصنوعی به روشهای مختلفی در صنعت کشاورزی می تواند کاربردی باشد.  یکی از زیرمجموعه های آن در پردازش تصویر می باشد که کاربرد گسترده ای در کشاورزی دارد.  پردازش تصویر در معنای خاص آن عبارت ا ست از هر نوع پردازش علامت که ورودی آن، یک تصویر و خروجی آن یک تصویر یا یک مجموعه از نشانه ها یا علامتهای مربوط به تصویر است.  در واقع به مجموعه عملیات و پردازشهایی که در راستای آنالیز تصویر در زمینه های مختلف انجام می شود، پردازش تصویر می گویند .

از میان همه شاخه های هوش مصنوعی شاید کاربردیترین آنها کامپیوتری و مکانیزه کردن سیستمهای بینایی باشد.  دامنه کاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از کاربردهای عادی و معمولی مثل کنترل کیفیت خط تولید و نظارت ویدئویی گرفته تا تکنولوژیهای جدید مثل اتومبیلهای بدون راننده را در بر گرفته است.  دامنه کاربردهای این تکنولوژی بر اساس تکنیکهای مورد استفاده در آنها تغییر می کند.

کنترل ماشین آلات و تجهیزات صنعتی یکی از وظایف مهم در فرآیندهای تولیدی است.  به کارگیری کنترل خودکار و خودکارسازی روز به روز گسترده تر شده و رویکردهای جدید با بهره گیری از فنّاوریهای نو امکان رقابت در تولید را فراهم می سازد.  عدم اطلاع کافی مهندسین از فنّاوری ماشین بینایی و عدم آشنایی با توجیه اقتصادی به کارگیری آن موجب شده است که در استفاده از این فنّاوری تردید و در بعضی مواقع واکنش منفی وجود داشته باشند.  علیرغم این موضوع، ماشنین بینایی روز به روز کاربرد بیشتری پیداکرده و روند رشد آن چشمگیر بوده است.

به عنوان نمونه در شکل یک سیستم ساده از سورتینگ میوه ها مبتنی بر یادگیری ماشینی به عنوان یکی از شاخه های هوش مصنوعی استفاده می شود. اجزای اصلی یک سامانه بینایی ماشین عبارتند از واحد دریافت  تصویر، واحد پردازش تصویر و واحد کنترل.  در واحد دریافت تصویر توسط دوربین بسته به نوع کاربری تصویر مورد نظر دریافت می شود.  تصاویر دریافتی در سیستم پردازش مورد پردازش و تجزیه و تحلیل قرار می گیرند. خروجی این قسمت به واحد کنترل ارسال می شود که تصمیم گیری نهایی را بر روی خط کنترل اعمال می کند.

بسیاری از کاربردهای تکنولوژی ماشین بینایی در بخش کشاورزی توسعه ی زیادی یافته است که از جمله آنها می توان به نقشه برداری زمینی و هوایی برای ارزیابی منابع طبیعی، نظارت بر محصول، کشاورزی دقیق، هدایت خودکار، بازر سی غیر مخرب محصولات کشاورزی، کنترل کیفیت محصولات پس از برداشت و طبقه بندی و جداسازی اشاره نمود.

برخی از سیستم های ماشین بینایی علاوه بر تصویربرداری در محدوده ی مرئی، قادر به بازرسی اشیاء در محدوده ی نامرئی نیز می باشند. اطلاعات دریافتی از اشیاء در محدوده نور رنگی می تواند در تعیین رسیدگی گیاهان پیش از برداشت، بیماری و تنش و تعیین واریته ها، رسیدگی، کیفیت پس از برداشت، ترکیبات خواص عملکردی و آلودگی و بیماری گیاهان، دانه ها ومغزها و سبزیجات و میوه ها مفید باشد.

برای بسیاری از کشاورزان مراقبت از محصولات و رسیدگی به سلامت تولیدات یکی از بزرگترین مشکلات به حساب می آید. چرا که برای حصول نتیجه مطلوب و برداشت یک محصول ارگانیک باید از لحظه کاشت بذر تا هنگام برداشت رسیدگی های لازم انجام پذیرد.

تحقیقات نشان داده است که در كل هوش مصنوعی در کشاورزی در بخش های کیفیت سنجی محصولات کشاورزی و مواد غذایی فراوری شده، تشخیص بیماریهای گیاهی، رباتیک در کشاورزی، کشاورزی دقیق و غیره مورد استفاده قرار گیرد.  از جمله مزیت های استفاده از سیستم های هوشمند می توان به کاهش نیروی انسانی و افزایش دقت عملکرد اشاره نمود.

کاربرد شبکه عصبی مصنوعی در پیش ­بینی محتوای رطوبتی در طی فرآیند خشک ­کردن انگور

خشک کردن یکی قدیمی­ترین راههای نگهداری مواد غذایی است که برای جلوگیری از خرابی مواد غذایی با کاهش دادن محتوای رطوبتی منجر به کاهش یا توقف فعالیت­های آنزیمی یا میکروبی می­شود و از طرف دیگر محصولات با وزن و حجم کم تولید می­شود که جابجایی و فرآوری آنها آسانتر می­شود.

بیشتر کشمش تولیدی در ایران به این صورت بدست می­آید که انگور بعد از چیده شدن و شسته شدن در محلول تیزابی، درمحلی که اصطلاحا بارگاه گفته می­شود، به صورت یکنواخت پهن می­شود. در این روش خشک کردن به خاطر معایبی همچون طولانی شدن زمان خشک شدن، اضافه شدن گرد و خاک، حمله آفات و شرایط نامعلوم هوا کیفیت کشمش تولیدی کاهش می­یابد. به همین دلیل از نظر ارزش هر تن کشمش صادراتی، ایران در رده دهم جهان قرار دارد.

بنابراین خشک کردن انگور تحت هوای گرم یکی از روش­های موثر در کاهش ضایعات و افزایش کیفیت کشمش حاصله است که نیاز به طراحی و بهینه سازی خشک­کن می­باشد. یکی از پارامترهای موثردر آنالیز طراحی و بهینه سازی خشک کن ها، پیش بینی و مدل کردن فرآیند خشک کردن می­باشد. یکی از مهمتربن قسمت­های فرآیند خشک کردن، پیش بینی تغییرات محتوای رطوبتی در طی زمان است. توسعه روش های متداول بر پایه اصول اولیه برای پیش بینی فرآیند زمان زیادی صرف می­کند و دقت نتایج بدست آمده از آنها رضایت بخش نیست. شبکه های عصبی مصنوعی قدرت تامین دقت و سرعت لازم را برای پیش بینی فرآیند خشک کردن را دارند ، به طوري كه نتايج تحقيقي نشان داد كه شبکه عصبی به عنوان ابزاری برای پیش بینی تغییرات محتوای رطوبتی با زمان که می توان در سیستم های کنترل خشک­کن بکار رود، قابليت هاي فراواني دارد.