ارائه یک مدل مبتنی بر یادگیری عمیق برای مکانیابی، تشخیص و طبقهبندی علفهای هرز در مزارع سیبزمینی | ||
| مدل سازی در مهندسی | ||
| دوره 22، شماره 79، زمستان 1403، صفحه 79-97 اصل مقاله (1.36 M) | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2024.32372.2562 | ||
| نویسندگان | ||
| هلو عمر انور1؛ فردین اخلاقیان طاب1؛ محسن رمضانی* 1؛ کاوه ملازاده2 | ||
| 1گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران | ||
| 2گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران | ||
| چکیده | ||
| برداشت محصول سیبزمینی در زمینهای کشاورزی با کمترین مصرف مواد اولیه (علف کشها یا عملیات مکانیکی) یکی از اهداف اصلی کشاورزی پایدار است. در کشاورزی دقیق، سیستمهای مبتنی بر بینایی ماشین به عنوان حسگرهایی که در حالت حرکت برای تشخیص علفها از گیاه اصلی کاربرد دارند، میتوانند مورد استفاده قرار گیرند. این مقاله یک مدل جدید بر اساس یادگیری عمیق برای تشخیص علفهای هرز در زمینهای سیبزمینی را ارائه میکند. در این راستا، ابتدا یک پایگاه داده جامع از زمین تحت کشت سیبزمینی شامل تصاویری از مراحل مختلف رشد گیاه، در فواصل مختلف دوربین از زمین، در ساعات مختلف روز و در شرایط محیطی متفاوت تهیه شده است. سپس، با استفاده از الگوریتم عمیق YOLOV3، موقعیت کل گیاهان در زمین تعیین میگردد. در نهایت، برای جداسازی علفهای هرز از گیاه اصلی و تعیین نوع علف هرز سه شبکههای عصبی کانولوشنی توسعه داده شده است. نتایج نشان داده که الگوریتم YOLOV3 قادر است به خوبی مکان گیاهان را در تصاویر تشخیص دهد. همچنین این روش میتواند با دقت 99.64٪ علفها را از گیاهان سیبزمینی در مجموعه تصاویر آزمایشی تشخیص دهد. نتایج دستهبندی 9 گونه مختلف علفهای هرز نیز با استفاده از مدلهای یادگیری عمیق توسعه داده شده قابل قبول است؛ به طوری که دقت کلی مدلهای EN-Inception-V3، EN-VGG-16 و HCNN به ترتیب در فاز آموزش 99.82٪، 99.89٪ و 92.83٪ و در فاز آزمایش 96.69٪، 90.32٪ و 82.67٪ میباشد. البته ترکیب این مدلها دقت تشخیص را تا 98.2% ارتقا می دهد. | ||
| کلیدواژهها | ||
| شبکه عصبی کانولوشنی؛ بینایی ماشین؛ کشاورزی دقیق؛ مدل عمیق؛ مدل دوستدار محیط | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 501 تعداد دریافت فایل اصل مقاله: 561 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 718 |
| تعداد مقالات | 10,319 |
| تعداد مشاهده مقاله | 72,316,450 |
| تعداد دریافت فایل اصل مقاله | 64,040,658 |