با همکاری انجمن مهندسان مکانیک ایران
کلیدواژه‌ها = YOLO
کشاورزی دیجیتال، هوشمند و دقیق

تشخیص میوه خیار روی بوته در محیط گلخانه با استفاده از الگوریتم تشخیص اشیاء YOLOv8

دوره 16، شماره 2، تابستان 1405، صفحه 303-316

https://doi.org/10.22067/jam.2025.92068.1339

علیرضا سلیمانی پور

چکیده در سال‌های اخیر، توسعه اتوماسیون و کاربرد ربات‌ها برای انجام عملیات تکرارشونده و سنگین کشاورزی سرعت بیشتری پیدا کرده است. این امر ناشی از افزایش قدرت رایانه‌ها در پردازش اطلاعات، توسعه پایگاه داده‌های تصویری کلان، و همچنین توسعه مدل‌ها و الگوریتم‌های کاربردی در هوش مصنوعی است. در این مقاله، یک مدل تشخیص میوه خیار روی بوته در محیط واقعی گلخانه، مبتنی بر یادگیری عمیق و بینایی رایانه‌ای، طراحی و توسعه داده شد. ابتدا یک پایگاه تصویری مشتمل بر 300 تصویر با میزان شدت نور مختلف که در اوقات مختلف روز تهیه شده بود ایجاد شد. پس از برچسب‌گذاری تصاویر، عملیات داده‌افزایی روی تصاویر آموزشی انجام شد. سپس، با آموزش الگوریتم تشخیص اشیاء YOLO میوه خیار و ساقه آن در محیط طبیعی گلخانه تشخیص داده شد. عملکرد چندین معماری مختلف الگوریتم YOLO شامل نسخه 5 در مقیاس نانو (YOLOv5n) و نسخه 8 در مقیاس نانو و کوچک (YOLOv8n و YOLOv8s) و همچنین مدل RT-DETR بر روی پایگاه تصویر جمع‌آوری‌شده آموزش و ارزیابی شد. نتایج مدل‌ها براساس پارامترهای مختلف دقت و سرعت تشخیص با یکدیگر مقایسه شد. نتایج نشان داد مدل YOLOv8n، در مقایسه با سایر مدل‌های هم ارز از دقت تشخیص بالاتری برخوردار است. صحت تشخیص این مدل در تشخیص میوه خیار و ساقه آن، به‌ترتیب برابر با 96.1 و 88.0 درصد بود. این در حالی بود که این مدل به لحاظ تعداد پارامتر و سرعت تشخیص هم عملکرد بسیار خوبی داشت. از این سامانه می‌توان در توسعه روبات برداشت صیفی‌جات خودران استفاده کرد.

کشاورزی دیجیتال، هوشمند و دقیق

بررسی پتانسیل مدل نوآورانه YOLOv8s در شناسایی گل‌های محمدی شکفته در مزرعه روباز

دوره 15، شماره 3، پاییز 1404، صفحه 275-289

https://doi.org/10.22067/jam.2024.88066.1249

فرهاد فاتحی، حسین باقرپور، جعفر امیری پریان

چکیده چیدن دستی گل‌های محمدی به دلیل وجود خارهای زیاد روی ساقه‌های آن بسیار دشوار است. بنابراین تشخیص بی‌درنگ گل محمدی شکفته در مزارع روباز برای طراحی یک ربات به‌‌منظور برداشت خودکار این گل ضروری است. با توجه به سرعت بالا و دقت مناسب شبکه‌های عصبی کانولوشن عمیق (DCNN)، هدف از این مطالعه بررسی پتانسیل مدل بهینه‌شده YOLOv8s در تشخیص گل‌های محمدی شکفته است. به‌‌منظور ارزیابی اندازه مدل YOLO بر عملکرد مدل، دقت و سرعت تشخیص نسخه‌های دیگر مدل YOLO ازجمله v5s و v6s نیز مورد بررسی قرار گرفت. برای رسیدن به این هدف، تصاویر گل‌های محمدی تحت شرایط نور عادی (از سپیده‌دم تا طلوع آفتاب) و شرایط نور شدید (از طلوع آفتاب تا ۱۰ صبح) تهیه شدند. نتایج ارزیابی نشان داد که مدل YOLOv8s با میانگین متوسط دقت(mAP50)  و سرعت شناسایی به‌ترتیب %98 و 243.9 فریم در ثانیه (fps) بهترین عملکرد را به نمایش گذاشت و در مقایسه با مدل‌های YOLOv5s و YOLOv6s مقدار mAP50 آن به‌ترتیب 0.3% و 6.1%، و مقدار سرعت تشخیص آن به‌ترتیب fps 169.3 و fps 198.6 بیشتر بود. نتایج تجربی نشان می‌دهد که YOLOv8s در تصاویر گرفته‌شده در نور عادی عملکرد بهتری نسبت به تصاویر گرفته‌شده در نور شدید دارد. کاهش 2.5% در مقدار mAP50 و 2.4% در سرعت تشخیص نشان‌دهنده تأثیر منفی نور شدید محیطی بر اثر بخشی مدل است. این تحقیق نشان می‌دهد که مدل YOLOv8s یک راه‌حل قابل‌قبول برای تشخیص بی‌درنگ گل محمدی فراهم می‌کند و راهنمای خوبی برای تشخیص سایر گیاهان مشابه است.