استفاده از روش های یادگیری عمیق برای ارزیابی کیفیت کاشت غلات

به دلیل چرخه بسته فرآیند کاشت در خطی کارها، کاشت بذرها می تواند در وسعت زیاد خارج از تراکم سطحی مطلوب رخ دهد. دراین رابطه ارزیابی عملیات کاشت برای جلوگیری از اتلاف منابع بسیار مطلوب است. یکی از روش های ارزیابی عملکرد خطی کارهامی تواند مقایسه درستی عملکرد آن با بررسی جمعیت رویش گیاهان کشت شده در واحد سطح مزرعه با شد. به نظر می رسد پیکسل هایمحل رویش گیاهان دارای ویژگی های مشابهی با توجه به تغییرات پارامترهای تصویر زمین و گیاهان هستند. استفاده از روش یادگیری عمیقبر پایه شبکه های عصبی کانولوشن برای ایجاد نقشه مناطق موردنظر در تصویر مناسب به نظر می رسد. در این رابطه، درمجموع 2720 تصویراز غلات که در مراحل اولیه رشد قرار داشتند از مزرعه موردنظر اخذ گردید. 212 تصویر با پس زمینه های مختلف انتخاب و برای تغذیه وآموزش یک شبکه عصبی کانولوشنی علامت گذاری شدند. در توسعه شبکه برای غلبه بر خطاهای پیش بینی، شبکه با سه نرخ جریمهآموزش دیده و برای هر نرخ، شبکه با 9 گام آستانه سافت مکس ارزیابی گردید. در هر محدوده، تصاویری از مزرعه به صورت تصادفیبرای ارزیابی مدل انتخاب شدند. این تصاویر به مدل خورانده و خروجی های آنها با حقیقت مقایسه شد. میانگین هارمونی شاخص دقیق وشاخص فراخوانی در محدوده هایی که حدود 94 در صد از مجموع تصاویر مزرعه در آن قرار دا شت بالای 80 در صد تخمین زده شد کهنشان دهنده عملکرد مناسب مدل در این زمینه است. نتایج نشان داد که مدل می تواند بازخورد قابل قبولی در مورد عملکرد کا شت ارائه ومدیریت و کارایی مزرعه را در گام های بعدی بهبود ببخشد.

کلیدواژه ها:

خطی کار ، ارزیابی عملکرد ، کاشت ، جمعیت رویش گیاهان ، یادگیری عمیق ، شبکه عصبی کانولوشنی