حسین باقرپور - استادیار گروه مهندسی مکانیک بیوسیستم دانشکده کشاورزی دانشگاه بوعلی سینا همدان
سیاوش شامحمدی - دانشجوی کارشناسی گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی دانشگاه بوعلی سینا همدان

با توجه به وجودتنوع در ارقام گندم، انتخاب رقم مناسب برای کشت در شرایط مختلف خاکی وآبی، اهمیت زیادی دارد برای عملکرد بهینه در کشت گندم ابتدا باید ارقام شناسایی و تفکیک شده ودر شرایط محیطی سازگار که توسط کارشناس توصیه می شود کشت شود. نزدیکی ویژگی های ظاهری در ارقام گندم، گاهی متخصصان را هم در شناسایی ارقام گندم دچار مشکل می کند. از طرفی عواقب کشت نامناسب گندم باعث عملکرد پایین یا ناچیز و از بین رفتن رقم های پایه گندم خواهد شد. لذا هدف اصلی این مطالعه بررسی قابلیت شبکه عصبی لایه عمیق کانولوشن پیچشی CNN بر مبنای پردازش تصویر در طبقه بندی چهار رقم گندم به منظور رسیدن به دقت و سرعت بالا در این عملیات می باشد. بنابراین تعداد ۴۰۰ تصویر RGB، از چهار رقم گندم ایرانی (هشترود، حیدری، میهن و زرینه) با سایز اولیه ۴۱۲۸*۲۳۲۲ تهیه شد. از این تصاویر، تصاویر تک تک دانه ها جدا گردید و تعداد کل تصاویر به ۳۸۱۲۰ عدد رسید. برای طبقه بندی ارقام گندم از دو شبکه لایه عمیق Inception_Resnet_V۲ و Inception_V۳ استفاده شد. نتایج نشانداد که شبکه I nception-Resnet_v۲ با دقت ۹۳/۵ درصد، عملکرد بهتری نسبت به شبکه Inception_V۳ داشته است.

بینایی ماشین، طبقه بند، ارقام گندم، شبکه لایه عمیق