طبقه بندی هوشمند محصولات کشاورزی با استفاده از تصاویر و یادگیری عمیق

طبقه بندی دقیق محصولات کشاورزی نقش مهمی در بهبود مدیریت زنجیره تامین، کاهش ضایعات و افزایش بهره وری در کشاورزی دارد. پژوهش حاضر به توسعه و ارزیابی مدل های هوشمند برای طبقه بندی محصولات کشاورزی در دشت ورامین با استفاده از تصاویر ماهواره ای سنتینل-۲ و الگوریتم های یادگیری عمیق پرداخته است. مجموعه داده ها شامل تصاویر چند طیفی محصولات گندم، ذرت، پنبه و جو بود که با توجه به فصل رشد هر محصول جمع آوری و پیش پردازش شد. برای طبقه بندی تصاویر از شبکه عصبی کانولوشنی (CNN) و الگوریتم های کلاسیک مانند Random Forest و SVM استفاده گردید. نتایج نشان داد که مدل CNN با میانگین دقت کل ۹۶.۵٪ و مقادیر بالای Precision، Recall وF۱، بهترین عملکرد را ارائه می دهد و توانایی شناسایی دقیق و تفکیک محصولات حتی با ویژگی های بصری مشابه را دارد. الگوریتم های کلاسیک عملکرد قابل قبولی داشتند، اما نسبت به CNN کمتر بودند. این مطالعه نشان می دهد که ترکیب تصاویر ماهواره ای چند طیفی و مدل های یادگیری عمیق، ابزاری موثر و قابل اعتماد برای خودکارسازی فرآیند طبقه بندی محصولات کشاورزی فراهم می کند و می تواند به بهینه سازی مدیریت منابع و توسعه کشاورزی هوشمند در دشت ورامین و سایر مناطق مشابه کمک نماید.

کلیدواژه ها:

طبقه بندی محصولات کشاورزی ، یادگیری عمیق ، شبکه عصبی کانولوشنی ، تصاویر ماهواره ای سنتینل-۲ ، دشت ورامین