تشخیص علف های هرز در مزارع با استفاده از شبکه عصبی کانولوشنال بر اساس یادگیری عمیق

Abstract

در بسیاری از کشور‌ها به طور میانگین بیش از 50 درصد غذای مردم از غلات تامین میشود و نزدیک به 70 درصد سطح زیر کشت یک میلیارد هکتاری جهان به غلات اختصاص داده شده است. علف‌های هرز گوناگونی همراه با غلات در مزارع رشد میکنند که میتوانند عملکرد محصول را به دلیل رقابت برای نور، آب و مواد مغذی کاهش دهند.برای از بین بردن علف‌های‌هرز به صورت دقیق و با حداقل مشکلات، باید تشخیص به موقع با دقت و سرعت بالا انجام شود. از جمله روش‌های نوین در این حوزه، استفاده از فناوری بینایی ماشین و روش‌های مرتبط با آن نظیر الگوریتم‌های تشخیص اشیاء یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN ) است. مراحل مربوط به انجام پروژه شامل آماده‌سازی داده‌ها جهت آموزش و ارزیابی شبکه‌ها، استفاده از الگوریتم‌های تشخیص اشیاء جدید، استفاده از شبکه‌های عصبی کانولوشنی مختلف با خصوصیات متفاوت برای استخراج ویژگی‌های تصاویر در الگوریتم‌ها و بهره‌گیری از روش شبکه هرمی ویژگی (FPN ) در الگوریتم‌های تشخیص اشیا بود. خروجی شبکه‌ها از نظر تعداد تشخیص، مکان دقیق تشخیص و بهترین زمان تشخیص در مزرعه گندم مورد بررسی و ارزیابی قرار گرفتند. بهترین شبکه از نظر دقت مکان‌یابی، مدل ترنسفورم (ViTs ) به همراه شبکه ویژگی هرمی با میانگین دقت 0.95 بود. علاوه بر این شبکه‌ مدنظر در این تحقیق از میان ۵۳۵ علف‌هرز هدف موفق شد ۵۰۳ تعداد از آن‌ها را تشخیص بدهد و این یعنی شبکه ما قادر است ۹۵٪ این علف‌ها را تشخیص دهد.

Keywords

• بهینه سازی
• دقت
• کشاورزی
• علف های هرز
• یادگیری عمیق