استفاده از روش‌های یادگیری عمیق برای ارزیابی کیفیت کاشت غلات

یکی از روش‌های ارزیابی عملکرد خطی‌کارها مقایسه درستی عملکرد آن با بررسی جمعیت رویش گیاهان کشت‌ شده در واحد سطح مزرعه می‌تواند باشد.‬ به نظر می‌رسد پیکسل‌های محل رویش گیاهان دارای ویژگی‌های مشابهی با توجه به تغییرات پارامترهای تصویر زمین و گیاهان هستند. استفاده از روش یادگیری عمیق بر پایه شبکه‌های عصبی کانولوشن برای ایجاد نقشه مناطق مورد نظر در تصویر مناسب به نظر می‌رسد. در این رابطه، در مجموع 2720 تصویر از غلات که در مراحل اولیه رشد قرار داشتند از مزرعه مورد نظر گرفته‌ شد. 212 تصویر با پس‌زمینه‌های مختلف انتخاب و برای تغذیه و آموزش یک شبکه عصبی کانولوشنی علامت‌گذاری شدند. تصاویر خام به‌‌عنوان ورودی و نقشه‌های نقاط رویش علامت‌گذاری ‌شده دستی به‌عنوان خروجی شبکه تعریف شدند. بررسی خروجی اولیه شبکه نشان داد که شبکه آموزش‌ دیده به نوک برگ‌های گیاهان، علف‌های هرز و بقایای گیاهی به اشتباه به‌‌عنوان نقاط رویش گیاه پاسخ داده ‌است. برای غلبه بر این خطاها و بهبود عملکرد شبکه، یک تابع جریمه برای نقاط پیش‌بینی‌ شده به‌صورت غلط، تعریف شد. شبکه با سه نرخ جریمه آموزش‌ دیده و برای هر نرخ، شبکه با 9 گام آستانه سافت مکس ارزیابی شد. با توجه به خروجی شبکه، تصاویر از نظر تراکم گیاهی محدوده‌بندی شد. برای ارزیابی مدل در محدوده‌های مختلف، در هر محدوده مشخص تصاویری از مزرعه‌ به‌صورت تصادفی انتخاب شدند. این تصاویر به مدل خورانده و خروجی‌های آن‌ها با حقیقت مقایسه شد. میانگین هارمونی شاخص دقیق و شاخص فراخوانی در محدوده‌هایی که حدود 94 درصد از مجموع تصاویر مزرعه در آن قرار داشت بالای 80 درصد تخمین زده ‌شد که نشان‌ دهنده عملکرد مناسب مدل در این زمینه است. نتایج نشان داد که مدل می‌تواند بازخورد قابل قبولی در مورد عملکرد کاشت ارائه کرده و مدیریت و کارایی مزرعه را در گام‌های بعدی بهبود ببخشد.