بررسي حسگرهاي فراصوتي جهت تخمين هوشمند حجم درختان

A Study of Ultrasonic Sensors to Intelligent Estimation of Tree Canopy Volumes

طیف وسیعی از فعالیت های مهم كشاورزی از جمله تیمار آفت كش ها، آبیاری، كود و هرس درختان تا حد زیادی به خواص هندسی تاج پوشش درختان بستگی دارد. تحقیقات زیادی در زمینه استفاده از حسگرهای فراصوتی جهت تخمین حجم تاج پوشش درختان انجام شده است. این تحقیق به بررسی استفاده از روش های نرم افزاری از جمله شبكه های عصبی مصنوعی به‌منظور بهبود خطای تخمین حجم تاج پوشش درختان به‌كمك حسگرهای فراصوتی می پردازد. برای این منظور یك سیستم آزمایشگاهی مخصوصی طراحی و ساخته شد. این سیستم دارای سه عدد حسگر فراصوتی است كه به‌صورت عمودی با فاصله های 60 سانتی متری بر روی یك دكل چوبی نصب شده است. با حركت دكل چوبی حسگرهای فراصوتی ضخامت نقاط مختلف تاج پوشش درخت را با نرخ نمونه برداری 4 هرتز اندازه گیری می كنند. آزمایش ها در سه سطح سرعت 35، 45 و 55 سانتی متر بر ثانیه در سه تكرار و در چهار وضعیت در زوایای 90 درجه برای 5 نمونه درخت فیكوس بنجامین انجام شد. پس از عبور كامل حسگرهای فراصوتی از مقابل تاج پوشش درخت مشخصاتی همچون قطر، میانگین عرض و ارتفاع تاج پوشش درخت در سه ارتفاع متناظر با حسگرهای فراصوتی به‌عنوان ورودی شبكه‌های عصبی و حجم دستی تاج پوشش به‌عنوان خروجی شبكه های عصبی در نظر گرفته شد. نتایج نشان داد كه مدل شبكه عصبی بهینه برای تخمین دارای ساختار 1-7-16-13 می باشد. میزان RMSE شبكه عصبی انتخاب شده 039278/0 مترمكعب می باشد.

Many research projects have been conducted about using ultrasonic sensors to estimate canopy volume. This study investigates using software applications such as artificial neural network (ANN) to improve the estimation of canopy volume by using ultrasonic sensors. A special experimental system was built. The system had three ultrasonic sensors mounted vertically on a wooden pole with an equal distance of 0.6 m. As the wooden pole moves with a constant speed, the ultrasonic sensors measure the thickness of tree canopy with sampling rate of 4 Hz. Experiments were conducted on 5 samples of Benjamin tree at three speed levels of 35,45 and 55 cm s-1 in three replications. The real volume of trees was measured manually with rectangular elements method. After a full passing of ultrasonic sensors, potential features such as canopy diameter, average width of tree canopy and height of the tree canopy were considered as the inputs to the ANN model and the manually volume as the output of the model. Optimal ANN model was selected based on mean square error and correlation coefficient. The results showed that 13-16-7-1 was the optimal neuron numbers in ANN topology for estimating canopy volume.