طبقه‌بندی هوشمند علف هرز-محصول در مزارع گندم زمستانه: با رویکرد یادگیری عمیق برای کشاورزی پایدار

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

سید ایمان ساعدی ¹

حسن مکاریان ²

¹ گروه آب و خاک، دانشکده کشاورزی، دانشگاه صنعتی شاهرود، شاهرود، ایران

² گروه زراعت و اصلاح نباتات، دانشکده کشاورزی، دانشگاه صنعتی شاهرود، شاهرود، ایران

https://doi.org/10.22067/jam.2026.97533.1467

چکیده

افزایش بهره‌وری گندم برای حفظ امنیت غذایی در سال‌های آتی یک ضرورت است. یکی از چالش‌های اصلی تولید گندم، وجود علف‌های هرز است که می‌تواند عملکرد آن را تا حد زیادی کاهش دهد. یک عامل کلیدی در تولید پایدار گندم مدیریت دقیق علف‌های هرز بر اساس طبقه‌بندی علف هرز-محصول است. برای این منظور، در مطالعه حاضر، از تصاویر رنگی و راهبردهای یادگیری عمیق برای تشخیص و تمایز گندم زمستانه از چهار علف هرز رایج آن استفاده شد که منجر به ایجاد پنج کلاس مجزا گردید. چهار شبکه یادگیری عمیق شامل Xception، EfficientNetB0، VGG19 و InceptionResNetV2 به‌عنوان شبکه‌های ستون فقرات برای برآورده کردن الزامات طبقه‌بندی تصاویر لحاظ شدند. این شبکه‌ها با استفاده از یادگیری انتقالی در ImageNet از قبل آموزش داده شدند، سپس با لایه‌های اضافی برای بهبود عملکرد در مجموعه داده‌های ما تقویت شدند. با توجه به نتایج به‌دست‌آمده، مدل بهبودیافته InceptionResNetV2 بهترین عملکرد را در بین چهار مدل نشان داد و به دقت 98.17% و خطای 3.19% در داده‌های آزمون دست یافت. همه مدل‌ها عملکرد بسیار خوبی در شناسایی تصاویر کلاس‌های مختلف نشان دادند، به‌طوری‌که میانگین وزنی امتیاز F1 برای مدل‌های مبتنی بر Xception، EfficientNetB0، VGG19و InceptionResNetV2 به‌ترتیب برابر با 97%، 86%، 94% و 98% به‌دست آمد. علاوه‌بر این، پانزده حالت متفاوت از حضور علف‌های هرز در مزارع گندم زمستانه را با تمرکز بر انواع مختلف علف‌های هرز مورد مطالعه، تجزیه و تحلیل شد تا راهبردهای موثر مدیریت علف‌های هرز با استفاده از هر یک از چهار مدل پیشنهاد داده شود. یافته‌های این تحقیق، پایه و اساسی برای توسعه برنامه‌های تلفن همراه یا وجین‌کن‌های رباتیک به‌منظور مدیریت خاص مکانی علف‌های هرز فراهم می‌آورد. این رویکرد می‌تواند در کاهش استفاده از علف‌کش‌ها و کاهش اثرات زیست‌محیطی آن و در عین حال بهبود عملکرد و کیفیت گندم نقش مهمی ایفا نماید.

کلیدواژه‌ها

تصاویر RGB

شناسایی علف‌های هرز

گندم زمستانه

یادگیری عمیق

موضوعات

• کشاورزی دیجیتال، هوشمند و دقیق

---

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Batchuluun, G., Nam, S. H., & Park, K. R. (2022). Deep learning-based plant-image classification using a small training dataset. Mathematics, 10, 3091. https://doi.org/10.3390/math10173091
2. Chollet, F. (2017). Deep learning with Python(1st ed.). Shelter Island, NY: Manning Publications Co.
3. Fan, X., Chai, X., Zhou, J., & Sun, T. (2023). Deep learning-based weed detection and target spraying robot system at seedling stage of cotton field. Computers and Electronics in Agriculture, 214, 108317. https://doi.org/10.1016/j.compag.2023.108317
4. Food and Agriculture Organization of the United Nations. (2021). World food and agriculture—Statistical pocketbook 2021. Rome, Italy: Food and Agriculture Organization of the United Nations. Retrieved from https://www.fao.org/documents/card/en/c/cb4592en
5. Gao, J., French, A. P., Pound, M. P., He, Y., Pridmore, T. P., & Pieters, J. G. (2020). Deep convolutional neural networks for image-based Convolvulus sepium detection in sugar beet fields. Plant Methods, 16, 29. https://doi.org/10.1186/s13007-020-00570-z
6. GC, S., Zhang, Y., Howatt, K., Schumacher, L. G., & Sun, X. (2024). Multi-species weed and crop classification: Comparison using five different deep learning network architectures. Journal of the ASABE, 67(2), 275-287. https://doi.org/10.13031/ja.15590
7. Gyawali, A., Bhandari, R., Budhathoki, P., & Bhattarai, S. (2022). A review on effect of weeds in wheat (Triticum aestivum) and their management practices. Food and Agriculture Extension Review, 2(2), 48-54. https://doi.org/10.26480/faer.02.2022.48.54
8. Juwono, F. H., Wong, W. K., Verma, S., Shekhawat, N., Lease, B. A., & Apriono, C. (2023). Machine learning for weed–plant discrimination in agriculture 5.0: An in-depth review. Artificial Intelligence in Agriculture, 10, 13-25. https://doi.org/10.1016/j.aiia.2023.09.002
9. Khosravi, H., Saedi, S. I., & Rezaei, M. (2021). Real-time recognition of on-branch olive ripening stages by a deep convolutional neural network. Scientia Horticulturae, 287, 110252. https://doi.org/10.1016/j.scienta.2021.110252
10. Langridge, P., Alaux, M., Almeida, N., Ammar, K., Baum, M., Bekkaoui, F., Bentley, A., Beres, B., Berger, B., Braun, H.-J., Brown-Guedira, G., Burt, C., Caccamo, M., Cattivelli, L., Charmet, G., Civáň, P., Cloutier, S., Cohan, J.-P., Devaux, P., …, & Zhang, X. (2022). Meeting the challenges facing wheat production: The strategic research agenda of the Global Wheat Initiative. Agronomy, 12, 2767. https://doi.org/10.3390/agronomy12112767
11. Li, Z., Wang, D., Yan, Q., Zhao, M., Wu, X., & Liu, X. (2024). Winter wheat weed detection based on deep learning models. Computers and Electronics in Agriculture, 227, 109448. https://doi.org/10.1016/j.compag.2024.109448
12. Makarian, H., & Saedi, S. I. (2024). Automated classification of saffron and broadleaf weeds of flixweed and hoary cress using deep learning and color images. Crop Protection, 106750. https://doi.org/10.1016/j.cropro.2024.106750
13. Montazeri, M., Zand, E., & Baghestani, M. A. (2005). Weeds and their control in wheat fields of Iran(1st ed.). Agricultural Research and Education Organization Press.
14. Nasiri, A., Omid, M., Taheri-Garavand, A., & Jafari, A. (2022). Deep learning-based precision agriculture through weed recognition in sugar beet fields. Sustainable Computing: Informatics and Systems, 35, 100759. https://doi.org/10.1016/j.suscom.2022.100759
15. Quan, L., Feng, H., Lv, Y., Wang, Q., Zhang, C., Liu, J., & Yuan, Z. (2019). Maize seedling detection under different growth stages and complex field environments based on an improved Faster R–CNN. Biosystems Engineering, 184, 1-23. https://doi.org/10.1016/j.biosystemseng.2019.05.002
16. Rai, N., & Sun, X. (2024). WeedVision: A single-stage deep learning architecture to perform weed detection and segmentation using drone-acquired images. Computers and Electronics in Agriculture, 219, 108792. https://doi.org/10.1016/j.compag.2024.108792
17. Richter, D. J., & Kim, K. (2025). Assessing the performance of domain-specific models for plant leaf disease classification: A comprehensive benchmark of transfer-learning on open datasets. Scientific Reports, 15, 18973. https://doi.org/10.21203/rs.3.rs-5668089/v1
18. Sadeghi, S. H., Saedi, S. I., Peters, R. T., & Stöckle, C. (2022). Towards improving the global water application uniformity of centre pivots through lateral speed adjustment. Biosystems Engineering, 215, 215-227. https://doi.org/10.1016/j.biosystemseng.2022.01.012
19. Saedi, S. I., Alimardani, R., Mousazadeh, H., & Salehi, R. (2019). Development and evaluation of an energy and water efficient intensive cropping system. INMATEH – Agricultural Engineering, 58, 93-104. https://doi.org/10.35633/inmateh-58-10
20. Saedi, S. I., & Khosravi, H. (2020). A deep neural network approach towards real-time on-branch fruit recognition for precision horticulture. Expert Systems with Applications, 159, 113594. https://doi.org/10.1016/j.eswa.2020.113594
21. Saedi, S. I., & Rezaei, M. (2024). A modified Xception deep learning model for automatic sorting of olives based on ripening stages. Inventions, 9(1), 6. https://doi.org/10.3390/inventions9010006
22. Saedi, S. I., Rezaei, M., & Khosravi, H. (2024). Dual-path lightweight convolutional neural network for automatic sorting of olive fruit based on cultivar and maturity. Postharvest Biology and Technology, 216, 113054. https://doi.org/10.1016/j.postharvbio.2024.113054
23. Salim, F., Saeed, F., Basurra, S., Qasem, S. N., & Al-Hadhrami, T. (2023). DenseNet-201 and Xception pre-trained deep learning models for fruit recognition. Electronics, 12(14), 3132. https://doi.org/10.3390/electronics12143132
24. Shao, Y., Guan, X., Xuan, G., Gao, F., Feng, W., Gao, G., Wang, Q., Huang, X., & Li, J. (2023). GTCBS-YOLOv5s: A lightweight model for weed species identification in paddy fields. Computers and Electronics in Agriculture, 215, 108461. https://doi.org/10.1016/j.compag.2023.108461
25. Shewry, P. R., & Hey, S. J. (2015). The contribution of wheat to human diet and health. Food and Energy Security, 4(3), 178-202. https://doi.org/10.1002/fes3.64
26. Singh, M., Kukal, M. S., Irmak, S., & Jhala, A. J. (2021). Water use characteristics of weeds: A global review, best practices, and future directions. Frontiers in Plant Science, 12. https://doi.org/10.3389/fpls.2021.794090
27. Speck, O., & Speck, T. (2021). Functional morphology of plants – a key to biomimetic applications. New Phytologist, 231(3), 950-956. https://doi.org/10.1111/nph.17396
28. Subeesh, A., Bhole, S., Singh, K., Chandel, N. S., Rajwade, Y. A., Rao, K. V. R., Kumar, S. P., & Jat, D. (2022). Deep convolutional neural network models for weed detection in polyhouse grown bell peppers. Artificial Intelligence in Agriculture, 6, 47-54. https://doi.org/10.1016/j.aiia.2022.01.002
29. Sultan, T., Chowdhury, M. S., Jahan, N., & Dunren, C. (2025). LeafDNet: Transforming leaf disease diagnosis through deep transfer learning. Plant Direct, 9, e70047. https://doi.org/10.1002/pld3.70047
30. Susetyarini, E., Wahyono, P., Latifa, R., & Nurrohman, E. (2020). The identification of morphological and anatomical structures of Pluchea indica. Journal of Physics: Conference Series, 1539, 012001. https://doi.org/10.1088/1742-6596/1539/1/012001
31. Xu, K., Zhao, Y., Wang, L., & Zhang, X. (2021). Multi-modal deep learning for weeds detection in wheat fields. Frontiers in Plant Science, 12, 732968. https://doi.org/10.3389/fpls.2021.732968