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

در بسیاری از کشور ها 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. علف های 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 علف های هرز به صورت دقیق و با حداقل مشکلات، باید تشخیص به موقع با دقت و سرعت بالا انجام شود. از جمله روش های نوین در این حوزه، استفاده از فناوری بینایی ماشین و روش های مرتبط با آن نظیر الگوریتم های تشخیص اشیاء یادگیری عمیق و شبکه های عصبی کانولوشنی (CNN) است. مراحل مربوط به انجام پروژه شامل آماده سازی داده ها جهت آموزش و ارزیابی شبکه ها، استفاده از الگوریتم های تشخیص اشیاء جدید، استفاده از شبکه های عصبی کانولوشنی مختلف با خصوصیات متفاوت برای استخراج ویژگی های تصاویر در الگوریتم ها و بهره گیری از روش شبکه هرمی ویژگی (FPN) در الگوریتم های تشخیص اشیا بود. خروجی شبکه ها 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 مکان یابی، مدل ترنسفورم (ViTs) به همراه شبکه ویژگی هرمی با میانگین دقت 0.95 بود. علاوه بر این شبکه مدنظر در این تحقیق از میان 535 علف هرز هدف موفق شد 503 تعداد از آن ها را تشخیص بدهد و این یعنی شبکه ما قادر است 95٪ این علف ها را تشخیص دهد.