بررسی توانایی شبکه های عصبی کانولوشن سه بعدی و شبکه های عصبی بازگشتی بر طبقه بندی دقیق تر محصولات کشاورزی با استفاده از تصاویر سری زمانی نوری

یکی از چالش های جدی در حوزه سنجش ازدور، استخراج ویژگی های مناسب از داده های ماهواره ای می باشد. با ظهور نسل جدیدی از شبکه های عصبی عمیق، قابلیت استخراج ویژگی ها و همچنین طبقه بندی دقیق محصولات به طور اتوماتیک امکانپذیر شده است. از سویی، استخراج ویژگی های مناسب می تواند تا حدی اثرات شباهت طیفی را در شناسایی محصولات مختلف کاهش دهند و باعث بهبود دقت طبقه بندی محصولات شوند. همچنین استفاده از داده های چند زمانه در طول دوره رشد، اطلاعات مفیدی درباره محصولات در اختیار محققین قرار می دهد. در این راستا، باهدف دستیابی به ویژگی های مناسب از تصاویر سری زمانی، سه روش شبکه های عصبی کانولوشن سه بعدی، شبکه عصبی حافظه طولانی کوتاه مدت و واحد بازگشتی دروازه ای در این تحقیق مورد بررسی و ارزیابی قرار گرفتند. در معماری بررسی شده برای شبکه عصبی کانولوشن سه بعدی، تلاش بر آن شد که بهترین بردارهای ویژگی زمانی - مکانی از تصاویر استخراج شوند و سپس نتایج بدست آمده از این شبکه با دو روش شبکه های بازگشتی مورد مقایسه قرار گیرند. درنهایت، پارامترهای ارزیابی بدست آمده از ماتریس خطا در این تحقیق نشان می دهد که شبکه عصبی کانولوشن سه بعدی، با حصول دقت کلی 90.70% و ضریب کاپا 89.37% به ترتیب در حدود 3.50% و 4.00% نسبت به شبکه عصبی حافظه طولانی کوتاه مدت توانایی بیشتری در شناسایی محصولات داشته است. همچنین دقت کلی نتایج طبقه بندی توسط شبکه واحد بازگشتی دروازه ای نزدیک به دقت کلی شبکه عصبی کانولوشن سه بعدی بوده است و تنها دقت کلی این روش  1.48% از شبکه واحد بازگشتی دروازه ای بهتر عمل کرده است. بنابراین نتایج حاصل موید کارایی شبکه عصبی کانولوشن سه بعدی برای شناسایی و طبقه بندی محصولات می باشد.