شهرزاد فلاحت نژاد ماهانی - دانشجوی دکترا دانشکده فیزیک، دانشگاه شهید باهنر کرمان، کرمان، ایران
اعظم کرمی - دانشکده فیزیک، دانشگاه شهید باهنر کرمان، کرمان، ایران

در سال های اخیر استفاده از یادگیری عمیق در کشاورزی دقیق به منظور تشخیص و شمارش آفات و یا بیماری های گیاهان، سمپاشی هوشمند، تخمین سطح زیر کشت و نظارت بر روند رشد گیاهان جهت مقابله با عوامل بازدارنده و یا کاهش دهنده رشد و با هدف افزایش بهره وری محصولات کشاورزی به سرعت رو به افزایش است. در این مقاله، به طراحی الگوریتمی برگرفته از شبکه عصبی عمیق YOLOv۵s جهت تشخیص و شمارش خودکار کاکل های 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 فعال سازی الگوریتم اصلی YOLOv۵s با هدف افزایش تعداد پارامترهای شبکه، کاهش بیش برازش و افزایش دقت تشخیص پرداخته شد و الگوریتم Modified YOLOv۵s که به اختصار MYOLOv۵s نام دارد به عنوان نسخه بهبودیافته YOLOv۵s با قابلیت شناسایی و شمارش کاکل های ذرت با مقادیر ضریب تبیین (R۲) ۹۹.۲۸ درصد و دقت متوسط (AP) ۹۵.۳۰ درصد حاصل شد. همچنین، عملکرد روش پیشنهادی به کار گرفته شده در این مقاله با الگوریتم های معتبر معرفی شده در این زمینه ,TasselNetv۲+ Faster R-CNN و RetinaNet مقایسه گردید. نتایج به دست آمده نشان می دهد که مقادیر ضریب تبیین برای این سه شبکه به ترتیب ۷۷.۸۶، ۸۶.۸۳ و ۹۵.۵۳ درصد می ­باشد. همچنین برای الگوریتم های Faster R-CNN و RetinaNet مقادیر دقت متوسط ۷۶.۹۹ و ۷۷.۶۶ درصد به دست آمد. این نتایج نشان می­ دهند که الگوریتم MYOLOv۵s حداکثر مقادیر ضریب تبیین R۲ و دقت متوسط (AP)، دقت (Precision) و یادآوری (Recall) را دارد که بیانگر کارایی بالای روش پیشنهادی در تشخیص کاکل ذرت است. شایان ذکر است MYOLOv۵s با دارا بودن سرعت پردازش ۸۴ فریم بر ثانیه سریع ترین روش در تشخیص کاکل ذرت محسوب می­ گردد.

پردازش تصویر, پهپاد, تشخیص شی, کاکل ذرت, یادگیری عمیق