بیست وهشتمین کنفرانس بین المللی کامپیوتر انجمن کامپیوتر ایران

شبکه های عصبی عمیق تاثیر بسزایی در افزایش کارایی الگوریتم های بینایی ماشین از جمله طبقه بندی و بخش بندی تصاویر داشته اند. با توجه به اهمیت گندم در تغذیه بخش بزرگی از جمعیت کره زمین و همچنین اهمیت نظارت و نگهداری از این محصول خوراکی (غالبا به شکل تحلیل خوشه ها)، تشخیص اخوشه گندم در تصاویر گیاهات به جهت مشاهده سلامت، مرحله رشد، وجود غیره امری مهم به شمار می رود.در این مقاله به منظور تشخیص خوشه های گندم در تصاویر از مدل های عمیق موجود در حوزه بخش بندی تشخیص اشیا شامل چهار مدل FASTER-RCNN ، MASK-RCNN ،-RCNN CASCADE وHTC۱ که جزوبهترین مدل ها در این زمینه هستند و در سالهای اخیر ارائه شده اند، استفاده شده است. همچجنین برای بهبود نتایج از روش های یادگیری انتقالی، آگمنت تصاویر و DetectoRS بهره گیری شده است. . نتایج حاصل از آموزش و ارزیابی این مدل ها برای تشخیصخوشه های گندم موجود در مجموعه دادهGWHD نشان داد که استفاده از منطق برگشتی موجود در رویکرد CASCADE موجب افزایش سه و نیم درصدی دقت شده و همچنین سرعت آموزش در مدل HTC را نیز بالا می برد. استفاده از پیشنهادات طراحان DetectoRS نیز این بهبود نتایج را قوت می بخشد.بکار گیری روش آگمنت تصاویر سبب افزایش ۱.۲ درصدی دقت برای مدل HTCمی شود. . از میان مدل های آموزش دیده مدل HTC-DetectoRS بهترین کارایی را برای تشخیص خوشه های گندم دارد توانست بهبهبود ۴.۸ درصدی در مقایسه با پیاده سازی پایه طراحان مجموعه داده GWHD ( مدل RCNN-FASTER) دست پیدا کند.

کلیدواژه ها:

تشخیص دهنده اشیا ، تصویر خوشه ی گندم ، پردازش تصویر ، شبمه عصبی عمیق ، یادگیری ماشین