تشخیص زمین های کشاورزی به کمک رویکرد تقسیم بندی نمونه برمبنای یادگیری عمیق

سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 278

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSICC28_025

تاریخ نمایه سازی: 27 اسفند 1401

چکیده مقاله:

داده‌های جغرافیایی، مرزهای زمین‌های کشاورزی و قطعه‌بندی آن‌ها برای بسیاری از کاربردهای کشاورزی ضروری است. به عنوان مثال می‌توان به تحت نظارت قرار دادن زمین برای مدیریت منابع اشاره کرد. از آنجایی که مرزبندی به صورت دستی و به کمک شخص حقیقی زمان زیاد و ابزارهای خاصی نیاز دارد، نیاز به خودکارسازی تکرارپذیر این کار احساس می‌شود. هدف از این پژوهش، پردازش تصاویر ماهواره‌ای و شناسایی قطعه زمین‌های کشاورزی موجود در این تصاویر به همراه مرزبندی آن‌ها است. به این منظور، مدل Mask R-CNN که یکی از مدل‌های پیشتاز ارائه شده برای تقسیم‌بندی نمونه در یادگیری عمیق است، مورد استفاده قرار گرفت. برای بررسی راه حل پیشنهادی، با تهیه‌ی یک مجموعه داده، مدل تحت آموزش قرار گرفت. ارزیابی مدل نیز با معیارهای تقسیم‌بندی نمونه مطابق با استاندارد COCO صورت پذیرفت. در آزمایشی که از باند‌های رنگی (RGB) ماهواره‌ی Sentinel-۲ به عنوان ورودی استفاده شد، میانگین دقت (AP) %۵۴ و صحت پیکسلی ۹۰% حاصل شد. نتایج به دست آمده نشان داد که روش پیشنهادی در این پژوهش پتانسیل بالایی را در تقسیم‌بندی نمونه‌ی زمین‌های کشاورزی دارد.

کلیدواژه ها:

نویسندگان

محمد رضا شمشیرگرها

دانشجوی کارشناسی ارشد دانشگاه صنعتی شریف

محمد تقی منظوری

عضو هیئت علمی دانشگاه صنعتی شریف

محمد صادق سلامی

دانشجوی دکتری دانشگاه صنعتی شریف