تشخیص هوشمند تاسل در تصاویر پهپادی با استفاده از یادگیری عمیق برای تعیین تاریخ گل دهی

تخمین عملکرد و بررسی روند رشد در گونه­ های مختلف از یک محصول در کشاورزی دقیق برای محققین و کارشناسان حوزه کشاورزی بسیار حائز اهمیت است. در این مقاله روشی نوین مبتنی بر یادگیری عمیق تک مرحله­ ای به نام GP-YOLOv۵ برای شناسایی خودکار تاسل در تصاویر پهپادی از یک مزرعه بزرگ ذرت در تاریخ­های مختلف رشد و تخمین زمان گل­دهی ارائه شده است. در این راستا ابتدا به دلیل رشد تعداد کمی از تاسل­ها در مراحل اولیه رشد برای داده افزایی از شبکه مولد متخاصم GP-GAN استفاده شد. سپس برای شمارش و تشخیص تاسل­ ها ساختار و پارامترهای آشکارساز YOLOv۵ برای افزایش دقت مطابق با پایگاه داده اصلاح شد. در ادامه شمارش گیاهان در مراحل اولیه کاشت به عنوان یک پارامتر مهم در تعیین تاریخ گل­دهی در نظر گرفته شد. شمارش گیاهان با استفاده از آشکارساز CenterNet انجام شده است و از الگوریتم ­های درون­یابی و پیش بینی برای تعیین تاریخ گل­دهی استفاده شد. روش پیشنهادی با دو روش معتبر مبتنی بر تشخیص  CenterNet و  روش مبتنی بر رگرسیون TasselNetv۲+ برای شمارش تاسل­ ها مقایسه شد. دقت میانگین در تشخیص صحیح تاسل­ ها در روش پیشنهادی ۸۱/۹۶ و در روش CenterNet، ۷۸/۸۱ درصد است که نشان می­دهد دقت روش پیشنهادی بالاتر از روش CenterNet است.

کلیدواژه ها:

شبکه های مولد متخاصم ، یادگیری عمیق ، YOLOv۵ ، شناسایی تاسل ، تخمین تاریخ گل دهی