با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده فیزیک، دانشگاه شهید باهنرکرمان

2 هیات علمی و مسول آزمایشگاه پردازش تصویر و رباتیک، دانشکده فیزیک، دانشگاه شهید باهنر کرمان

چکیده

در سالهای اخیر استفاده از یادگیری عمیق در کشاورزی دقیق به منظور تشخیص و شمارش آفات و یا بیماری‌های گیاهان، تخمین سطح زیر کشت و نظارت بر روند رشد گیاهان به سرعت رو به افزایش است. در این مقاله، به طراحی الگوریتمی برگرفته از شبکه عصبی عمیق YOLOv5s جهت تشخیص و شمارش خودکار کاکل‌های گیاه ذرت پرداخته شده است. برای این منظور، از تصاویر اخذ شده توسط پهپاد از مزرعه ذرت در دو تاریخ متفاوت جهت آموزش و ارزیابی شبکه استفاده گردیده و با توجه به نوع و اندازه داده به اعمال تغییراتی در معماری و تابع فعال‌سازی الگوریتم اصلی YOLOv5s با هدف افزایش تعداد پارامترهای شبکه، کاهش بیش برازش و افزایش دقت تشخیص پرداخته شد و الگوریتم Modified YOLOv5s که به اختصار MYOLOv5s نام دارد به عنوان نسخه بهبود یافته YOLOv5s با قابلیت شناسایی و شمارش کاکل‌های ذرت با مقادیر ضریب تبیینR2 28/99 درصد و دقت متوسط (AP) 30/95 درصد حاصل شد. همچنین، عملکرد روش پیشنهادی به کار گرفته شده در این مقاله با الگوریتم‌های معتبر معرفی شده در این زمینه , TasselNetv2+ Faster R-CNNوRetinaNet مقایسه گردید. نتایج بدست آمده نشان می‌دهد که مقادیر ضریب تبیین برای این سه شبکه به ترتیب 86/77، 83/86 و 53/95 درصد می‌باشد. همچنین برای الگوریتم‌هایFaster R-CNN وRetinaNet مقادیر دقت متوسط 99/76 و 66/77 درصد بدست آمد. این نتایج بیانگر کارایی بالای روش پیشنهادی در تشخیص کاکل ذرت است. شایان ذکر است MYOLOv5s با دارا بودن سرعت پردازش 84 فریم بر ثانیه سریعترین روش در تشخیص کاکل ذرت محسوب می‌گردد.

کلیدواژه‌ها

موضوعات