נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
הערכת בשלות בפרחי קנאביס באמצעות שיטות עיבוד תמונה ולמידת מכונה
Quantifying cannabis flower maturity using computer vision and machine learning.
תקציר בעיברית
מטרת המחקר שלנו היא להעריך כמותית את רמת הבשלות של פרחי קנאביס באמצעות ראייה ממוחשבת וטכניקות למידת מכונה. על ידי שימוש בלמידת מכונה לספירת טריכומות בפרחי קנאביס, יש לנו פוטנציאל לשנות את שיטות הגידול של הצמח. טריכומות הן נקודות לבנות בדמויי שיער הנמצאים על פני השטח של פרחי קנאביס, המכילים ריכוז גבוה של תרכובות כגון קנבינואידים, החיוניים לסגולותיו הרפואיות של הקנאביס. ספירה מדויקת ויעילה של טריכומות יכולה לשפר את ההבנה שלנו לגבי בשלות הפרחים, ולאפשר תזמון מדויק יותר לקטיף. יתרה מזאת, לספירת טריכומות יש תפקיד מכריע בבחירה והתרבות של צמחים בעלי תכונות רצויות. בהצעת מחקר זו, אנו מתכוונים להציג גישה מבוססת למידת מכונה לאוטומציה של תהליך ספירת הטריכומות בפרחי קנאביס. המתודולוגיה שלנו ממנפת אלגוריתמי ראייה ממוחשבת כדי לנתח תמונות של טריכומות, מה שמאפשר זיהוי וספירתן המדויקים. אנו שואפים להעריך את הביצועים של הגישה שלנו באמצעות מערך נתונים של תמונות ולהפגין את עליונותה על פני שיטות ספירה ידניות מסורתיות. הממצאים שלנו מצביעים על כך שגישה מבוססת למידת מכונה זו משפרת באופן משמעותי את היעילות והדיוק של ספירת טריכומות בגידול קנאביס, ובכך מקלה על קבלת החלטות טובה יותר בתהליך הקטיף.
תקציר באנגלית
The goal of our research is to develop a computer vision and machine learning-based approach to quantify the maturity level of cannabis flowers by accurately counting trichomes. Trichomes, which are small, hair-like structures on the surface of cannabis flowers containing high concentrations of cannabinoids, play a crucial role in the medicinal properties of cannabis. By precisely counting trichomes, we can gain insights into the maturity level of the flowers, enabling more precise timing for cropping. Additionally, trichome counting is vital for selecting and breeding plants with desired traits. In this research proposal, we propose a novel machine learning-based method for automating the counting of trichomes in cannabis flowers. Our approach leverages advanced computer vision algorithms to analyze images of trichomes, enabling accurate identification and counting. We intend to assess the performance of our method using a comprehensive dataset of images and demonstrate its superiority over conventional manual counting techniques.