تشخیص علف هرز در مزارع زعفران با استفاده از مدل بهبود یافته YOLOv۵

استفاده بی رویه از سموم و نهاده های کشاورزی، مشکلات زیست محیطی جبران ناپذیری را بر اکوسیستم کشاورزی وارد می کند. با کاربرد کشاورزی دیجیتال و سامانه های توزیع نرخ متغیر بخش های مختلف یک زمین زراعی را می توان با سطوح مختلفی از سموم ونهاده ها مدیریت کرد، که هم به لحاظ هزینه های تولید و هم به لحاظ مسائل زیست محیطی مفید خواهد بود. در این مطالعه، یک مدل تشخیص علف هرز و گیاه زعفران برای توسعه سامانه مبارزه انتخابی با علف های هرز روینده در مزارع زعفران طراحی و ارزیابی شده است. در مدل تشخیص علف هرز پیشنهادی، از مدل تشخیص اشیا YOLOv۵ الگوبرداری شد بدین نحو که تعدادی از مدول های C۳,CBS از مدل YOLOv۵ به ترتیب با مدول های G host Bottleneck و C۳Ghost جایگزین شدند. این عمل به منظورکاهش تعداد پارامترهای مدل و سبک تر شدن شبکه آن انجام شد، که باعث افزایش سرعت پردازش تصویر در زمان آموزش و اجرای مدل می شود. همچنین، برای افزایش دقت تشخیص مدل پیشنهادی از یک لایه مکانیزم توجه CoordAtt استفاده شد نتایج نشان داد که در مدل پیشنهادی تعداد پارامترها به میزان ۴۷% نسبت به مدل هم رده آن از لحاظ ضرایب عرض و عمق شبکه درنسخه های CoordAtt کمتر است. این در حالی است که دقت تشخیص در مدل پیشناد شده ۳.۹۳% نسبت به گونه ای از الگوریتم YOLOv۵ با بهترین عملکرد بیشتر بود. با توجه به سبک بودن الگوریتم پیشنهادی می توان از آن برای تشخیص زمان - واقعی علف هرز در مزارع کشاورزی برای توسعه سامانه های مبارزه انتخابی به کار برد.

کلیدواژه ها:

زعفران ، کنترل علف هرز ، تشخیص اشیا ، یادگیری عمیق ، YOLOv۵