تشخیص و شمارش هوشمند گل‌های ذرت در تصاویر پهپادی با استفاده از tsdpc

در ﺳﺎلﻫﺎی اﺧﯿﺮ ﺷﻤﺎرش ﮔﻞﻫﺎی ذرت اﻃﻼﻋﺎت ارزﺷﻤﻨﺪی در ﻣﻮرد ﭘﯿﺶﺑﯿﻨﯽ ﻣﯿﺰان ﻣﺤﺼﻮل ﻓﺮاﻫﻢ ﻧﻤﻮده، اﻣﺎ ﺷﻤﺎرش ﺑﻪ روش ﺳﻨﺘﯽ و دﺳﺘﯽ اﻣﺮی ﮔﺮان و زﻣﺎنﺑﺮ اﺳﺖ. در اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺮای ﺗﺸﺨﯿﺺ ﺷﻤﺎرش ﻫﻮﺷﻤﻨﺪ در سال های اخیر شمارش ﮔﻞﻫﺎی ذرت ﯾﮏ ﻣﺰرﻋﻪ از آﺷﮑﺎرﺳﺎز ﻣﺒﺘﻨﯽ ﺑﺮ ﺟﺪاﺳﺎزی ﻣﮑﺎﻧﯽ آﮔﺎه از وﻇﯿﻔﻪ tsd ﺑﻬﺮه ﮔﺮﻓﺘﻪ ﺷﺪه و ﺳﺎﺧﺘﺎر ﺷﺒﮑﻪ tsd ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﮑﻪﻫﺎی ﭘﯿﭽﺸﯽ ﺗﻐﯿﯿﺮ ﺷﮑﻞﭘﺬﯾﺮ و cascader-cnn_x101 اﺻﻼح ﮔﺮدﯾﺪه و ﺳﭙﺲ ﺑﺎ ﺑﻬﯿﻨﻪ ﺳﺎزی و ﺗﻨﻈﯿﻢ ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺮﺑﻮﻃﻪ آﺷﮑﺎرﺳﺎز tsdpc ﻣﻌﺮﻓﯽ ﮔﺮدﯾﺪه اﺳﺖ. ﺟﻬﺖ ﺳﺎﺧﺖ ﭘﺎﯾﮕﺎه داده ﺗﺼﺎوﯾﺮ رﻧﮕﯽ ﺑﺎ ﻫﻢﭘﻮﺷﺎﻧﯽ ﺑﺎﻻ، از ﻣﺰرﻋﻪ ﮔﻞﻫﺎی ذرت ﺗﻮﺳﻂ ﭘﻬﭙﺎد اﺧﺬ ﺷﺪه اﺳﺖ. ﺳﭙﺲ ﺑﺎ اﻋﻤﺎل ﭘﯿﺶ ﭘﺮدازشﻫﺎی ﻻزم ارﺗﻮﻓﻮﺗﻮ ﻣﺰرﻋﻪ ﺗﺸﮑﯿﻞ ﮔﺮدﯾﺪه، در ﻣﺮﺣﻠﻪ ﺑﻌﺪ آﺷﮑﺎرﺳﺎز ﭘﯿﺸﻨﻬﺎدی tsdpc ﺟﻬﺖ ﺗﻌﯿﯿﻦ ﻣﮑﺎن ﮔﻞﻫﺎی ذرت ﺑﺮ روی ارﺗﻮﻓﻮﺗﻮ اﻋﻤﺎل ﺷﺪه اﺳﺖ. در ﭘﺎﯾﺎن ﻧﺘﺎﯾﺞ ﺑﻪ دﺳﺖ آﻣﺪه از ﮐﺎر ﻧﻮﯾﻦ اﻧﺠﺎم ﺷﺪه ﺑﺎ ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﮐﺎر ﺗﯿﻢ ﻣﺘﺨﺼﺺ ﮐﺸﺎورزی و آﺷﮑﺎرﺳﺎزﻫﺎی ﻣﻌﺘﺒﺮ در اﯾﻦ زﻣﯿﻨﻪ ﻣﺎﻧﻨﺪ centernet و reppoints ﻣﻘﺎﯾﺴﻪ ﮔﺮدﯾﺪ. tsdpc در ﻣﻘﺎﯾﺴﻪ ﺑﺎ روﺷﻬﺎی ذﮐﺮ ﺷﺪه ﻗﺎدر ﺑﻪ ﺗﺸﺨﯿﺺ ﺑﻬﺘﺮ ذرﺗﻬﺎی ﺑﺎ ﮔﻞ ﮐﻮﭼﮑﺘﺮ ﺑﻪ دﻟﯿﻞ ﺑﻬﺮه ﮔﯿﺮی از ﺷﺒﮑﻪﻫﺎی ﭘﯿﭽﺸﯽ ﺗﻐﯿﯿﺮ ﺷﮑﻞﭘﺬﯾﺮ اﺳﺖ، در ﻧﺘﯿﺠﻪ دﻗﺖ ﺑﺎﻻﺗﺮی در ﺗﺸﺨﯿﺺ دارد. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل دﻗﺖ ﺗﺸﺨﯿﺺ ﺻﺤﯿﺢ ﮔﻞﻫﺎی ذرت روش ﭘﯿﺸﻨﻬﺎدی در ﻣﺰرﻋﻪ اول ﺑﻪ ﻃﻮر ﻣﯿﺎﻧﮕﯿﻦ 2/5 درﺻﺪ ﺑﯿﺸﺘﺮ از centernet و 6 درﺻﺪ ﺑﯿﺸﺘﺮ از reppoints اﺳﺖ.

automatic panicle detection in unmanned aerial vehicle images using tsdpc

panicle counts (pc) provide valuable information about yield prediction in sorghum but are expensive and time-consuming to acquire via traditional manual approaches. in this thesis, high-resolution rgb imagery acquired by uavs has been used. the proposed method based on task-aware spatial disentanglement (tsd) has been modified to improve the performance of panicle detection. tsdpc has high accuracy in comparison to state-of-the-art techniques such as centernet and reppoints.