بررسی پتانسیل مدل نوآورانه YOLOv۸s در شناسایی گل های محمدی شکفته در مزرعه روباز

چیدن دستی گل های محمدی به دلیل وجود خارهای زیاد روی ساقه های آن بسیار دشوار است. بنابراین تشخیص بی درنگ گل محمدی شکفته در مزارع روباز برای طراحی یک ربات به منظور برداشت خودکار این گل ضروری است. با توجه به سرعت بالا و دقت مناسب شبکه های عصبی کانولوشن عمیق (DCNN)، هدف از این مطالعه بررسی پتانسیل مدل بهینه شده YOLOv۸s در تشخیص گل های محمدی شکفته است. به منظور ارزیابی اندازه مدل YOLO بر عملکرد مدل، دقت و سرعت تشخیص نسخه های دیگر مدل YOLO ازجمله v۵s و v۶s نیز مورد بررسی قرار گرفت. برای رسیدن به این هدف، تصاویر گل های محمدی تحت شرایط نور عادی (از سپیده دم تا طلوع آفتاب) و شرایط نور شدید (از طلوع آفتاب تا ۱۰ صبح) تهیه شدند. نتایج ارزیابی نشان داد که مدل YOLOv۸s با میانگین متوسط دقت(mAP۵۰)  و سرعت شناسایی به ترتیب %۹۸ و ۲۴۳.۹ فریم در ثانیه (fps) بهترین عملکرد را به نمایش گذاشت و در مقایسه با مدل های YOLOv۵s و YOLOv۶s مقدار mAP۵۰ آن به ترتیب ۰.۳% و ۶.۱%، و مقدار سرعت تشخیص آن به ترتیب fps ۱۶۹.۳ و fps ۱۹۸.۶ بیشتر بود. نتایج تجربی نشان می دهد که YOLOv۸s در تصاویر گرفته شده در نور عادی عملکرد بهتری نسبت به تصاویر گرفته شده در نور شدید دارد. کاهش ۲.۵% در مقدار mAP۵۰ و ۲.۴% در سرعت تشخیص نشان دهنده تاثیر منفی نور شدید محیطی بر اثر بخشی مدل است. این تحقیق نشان می دهد که مدل YOLOv۸s یک راه حل قابل قبول برای تشخیص بی درنگ گل محمدی فراهم می کند و راهنمای خوبی برای تشخیص سایر گیاهان مشابه است.

کلیدواژه ها:

تشخیص اشیا ، گل رز ، نور محیطی ، یادگیری عمیق ، YOLO