علیرضا صحت - دانشجوی کارشناسی ارشد، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان
جعفر امیری پریان - استادیار، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان
حسین باقرپور - استادیار، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان
مهدی خانی - دانشجوی کارشناسی ارشد، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان

کشاورزی یک منبع حیاتی برای تامین بخش عظیمی از تغذیه انسان است. همزمان با رشد جمعیت، برایپاسخگویی به تقاضای مردم پیشرفت در کشاورزی یک نیاز است. در کشاورزی امروزی، انتخاب روشهایی کهباعث صرفه جویی در زمان و هزینه شود، مورد نیاز است. همچنین در انتخاب روش بررسی خواص و شرایطمحصولات باید از راهکاری استفاده کرد که آسیب کمتری به محصولات وارد کند. در میان فنآوری هایجدید مختلف که توسط کشاورزی استفاده می شود، استراتژی های پردازش تصویر راهحلی خوش بینانه برایوظایف مختلف کشاورزی را نشان میدهند که سریع و به هزینه حساس است. اما وجود شرایط محیطی پیچیدهمانند تغییر روشنایی محیط، شباهت رنگی محصول با پس زمینه و همپوشانی محصول با شاخه و برگ منجرب بهپیچیدگی روش های پردازش تصویر شده است. امروزه پژوهشهای زیادی در زمینه ی یادگیری ماشین باهدف کاهش پیچیدگی الگوریتم های پردازش تصویر صورت گرفته است. در این پژوهش به منظور کاهشپیچیدگی های الگوریتم های پردازش تصویر از الگوریتم سوپرپیکسل به منظور قطعه بندی تصویر استفاده شدهاست. این الگوریتم برای قطعه بندی تصاویر از الگوریتم خوشه بندی SLIC بهره میبرد. نتایج بدست آمده اینپژوهش گواه قدرت تفکیک ۹۷ درصدی این الگوریتم در تفکیک پس زمینه و محصولات از یکدیگر می باشد.

سوپرپیکسل، الگوریتم SLIC ، تصویر گوجه فرنگی