• صفحه اصلی
  • جستجوی پیشرفته
  • فهرست کتابخانه ها
  • درباره پایگاه
  • ارتباط با ما
  • تاریخچه

عنوان
کلاس بندی پارامترهای فیزیکی کیفیت آب با استفاده از تصاویر در شرایط آزمایشگاهی

پدید آورنده
هاجر فیضی ,‏فیضی،

موضوع

رده

کتابخانه
کتابخانه مرکزی و مرکز اسناد و انتشارات دانشگاه تبریز

محل استقرار
استان: آذربایجان شرقی ـ شهر: تبریز

کتابخانه مرکزی و مرکز اسناد و انتشارات دانشگاه تبریز

تماس با کتابخانه : 04133294120-04133294118

شماره کتابشناسی ملی

شماره
پ۲۷۹۵۱

زبان اثر

زبان متن نوشتاري يا گفتاري و مانند آن
per

عنوان و نام پديدآور

عنوان اصلي
کلاس بندی پارامترهای فیزیکی کیفیت آب با استفاده از تصاویر در شرایط آزمایشگاهی
نام نخستين پديدآور
هاجر فیضی

وضعیت نشر و پخش و غیره

نام ناشر، پخش کننده و غيره
کشاورزی
تاریخ نشرو بخش و غیره
۱۴۰۱

مشخصات ظاهری

نام خاص و کميت اثر
۱۰۷ص.
مواد همراه اثر
سی دی

یادداشتهای مربوط به پایان نامه ها

جزئيات پايان نامه و نوع درجه آن
دکتری
نظم درجات
مهندسی آب گرايش منابع آب
زمان اعطا مدرک
۱۴۰۱/۰۶/۳۰

یادداشتهای مربوط به خلاصه یا چکیده

متن يادداشت
تعیین کیفیت آب برای مصارف مختلف آبیاری و شرب از اهمیت ویژه‌اي برخوردار است. ازجمله پارامترهاي مهم در کیفیت آب و به‌ویژه آب‌های سطحی، مقدار کدورت، مواد جامد معلق و عمق نفوذ نور در آب است. با توجه به اینکه اندازه‌گیری این پارامترها در آزمایشگاه جزو روش‌های سخت و زمان‌بر است، بنابراین لزوم استفاده از روشی جایگزین احساس می‌شود. روش‌های یادگیری عمیق می‌توانند در این زمینه نقش مهمی ایفا کنند. هدف از این مطالعه، طبقه‌بندی کیفیت آب بر اساس کدورت، عمق دیسک سکی و مواد جامد معلق در آب با استفاده از روش شبکه عصبی کانولوشن پیاده‌سازی شده در محیط برنامه‌نویسی پایتون است. برای این منظور، مطالعه در دو فاز انجام گرفت. در فاز اول، نمونه‌هایی از آب با کیفیت فیزیکی متفاوت در آزمایشگاه شیمی محیط واقع در دانشگاه علوم پزشکی تبریز تهیه گردید. هم‌زمان با اندازه‌گیری عمق دیسک سکی، میزان کدورت آب و مواد جامد معلق در آب، از نمونه‌ها تصویربرداری انجام گرفت. این تصاویر همراه با داده‌های به‌دست‌آمده به شبکه عصبی کانولوشن داده شد. نتایج نشان داد که شبکه عصبی کانولوشن قادر است طبقه پارامترهای فیزیکی آب را با دقت بالایی در شرایط آزمایشگاهی تخمین بزند به‌طوری‌که دقت آن برای طبقه‌بندی کدورت آب، عمق دیسک سکی و مجموع مواد جامد معلق در آب به ترتیب 5/97 درصد، 95 درصد و 90 درصد به دست آمد. در فاز دوم برای اطمینان از نتایج به‌دست‌آمده، از مخزن آب سد نهند تبریز نمونه‌برداری شده و از نمونه‌ها تصویربرداری شد. تصاویر گرفته‌شده بدون مشخص کردن برچسب و طبقه به‌عنوان ورودی به شبکه عصبی کانولوشن داده شد. این شبکه توانست کلاس کیفیت آب را با دقت بالا پیش‌بینی نماید. با توجه به نتایج به‌دست‌آمده، به نظر می‌رسد با تهیه پایگاه وسیعی از تصاویر، روش ارائه‌شده بتواند کیفیت فیزیکی آب را با دقت بالایی تخمین بزند.
متن يادداشت
Abstract: Determining the water quality for various irrigation and drinking purposes is crucial. Among the important parameters in water quality, especially surface water, are the amount of turbidity, total suspended solids, and the depth of light penetration in water. The measurement of these parameters in the laboratory is complex and time-consuming; and, for this reason, the necessity of using an alternative method is felt. Deep learning methods can play an important role in this field. The purpose of this study is to classify water quality based on turbidity, Secchi disc depth, and total suspended solids in water using a convolutional neural network method implemented in a Python programming environment. For this purpose, the study was conducted in two phases. In the first phase, samples of water with different physical qualities were prepared in the environmental chemistry laboratory at Tabriz University of Medical Sciences. Along with measuring the depth of the Secchi disc, the water turbidity, and suspended solids in the water, the samples were photographed. These images along with the data obtained were given to the convolutional neural network. The results showed that the convolutional neural network is able to estimate the class of physical parameters of water with high accuracy in laboratory conditions. The degree of accuracy for classifying water turbidity, Secchi disc depth, and suspended solids in water was recorded as 97.5%, 95%, and 90% respectively. In the second phase, to ensure the obtained results, samples were taken from the Nahand dam in Tabriz, and these samples were photographed. The captured image without specifying the label and class was entered as input to the CNN model. The trained network was able to predict the water quality class with a high degree of accuracy. According to the obtained results, by preparing a large database of images the presented method can predict the physical quality of water with a high degree of accuracy.

عنوانهای گونه گون دیگر

عنوان گونه گون
Classification of physical parameters of water quality using images in laboratory condition

نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )

عنصر شناسه اي
‏فیضی،
ساير عناصر نام
‏هاجر
کد نقش
تهیه کننده

نام شخص - ( مسئولیت معنوی درجه دوم )

عنصر شناسه اي
‏ستاری،
عنصر شناسه اي
مسافری،
عنصر شناسه اي
Apaydi،
ساير عناصر نام
‏محمدتقی
ساير عناصر نام
‏ محمد
ساير عناصر نام
‏ Halit
تاريخ
استاد راهنما
تاريخ
استاد مشاور
تاريخ
استاد مشاور

شناسه افزوده (تنالگان)

عنصر شناسه اي
‏ تبریز

پیشنهاد / گزارش اشکال

اخطار! اطلاعات را با دقت وارد کنید
ارسال انصراف
این پایگاه با مشارکت موسسه علمی - فرهنگی دارالحدیث و مرکز تحقیقات کامپیوتری علوم اسلامی (نور) اداره می شود
مسئولیت صحت اطلاعات بر عهده کتابخانه ها و حقوق معنوی اطلاعات نیز متعلق به آنها است
برترین جستجوگر - پنجمین جشنواره رسانه های دیجیتال