تشخیص میوه خیار روی بوته در محیط گلخانه با استفاده از الگوریتم تشخیص اشیاء YOLOv۸

در سال های اخیر، توسعه اتوماسیون و کاربرد ربات ها برای انجام عملیات تکرارشونده و سنگین کشاورزی سرعت بیشتری پیدا کرده است. این امر ناشی از افزایش قدرت رایانه ها در پردازش اطلاعات، توسعه پایگاه داده های تصویری کلان، و همچنین توسعه مدل ها و الگوریتم های کاربردی در هوش مصنوعی است. در این مقاله، یک مدل تشخیص میوه خیار روی بوته در محیط واقعی گلخانه، مبتنی بر یادگیری عمیق و بینایی رایانه ای، طراحی و توسعه داده شد. ابتدا یک پایگاه تصویری مشتمل بر ۳۰۰ تصویر با میزان شدت نور مختلف که در اوقات مختلف روز تهیه شده بود ایجاد شد. پس از برچسب گذاری تصاویر، عملیات داده افزایی روی تصاویر آموزشی انجام شد. سپس، با آموزش الگوریتم تشخیص اشیاء YOLO میوه خیار و ساقه آن در محیط طبیعی گلخانه تشخیص داده شد. عملکرد چندین معماری مختلف الگوریتم YOLO شامل نسخه ۵ در مقیاس نانو (YOLOv۵n) و نسخه ۸ در مقیاس نانو و کوچک (YOLOv۸n و YOLOv۸s) و همچنین مدل RT-DETR بر روی پایگاه تصویر جمع آوری شده آموزش و ارزیابی شد. نتایج مدل ها براساس پارامترهای مختلف دقت و سرعت تشخیص با یکدیگر مقایسه شد. نتایج نشان داد مدل YOLOv۸n، در مقایسه با سایر مدل های هم ارز از دقت تشخیص بالاتری برخوردار است. صحت تشخیص این مدل در تشخیص میوه خیار و ساقه آن، به ترتیب برابر با ۹۶.۱ و ۸۸.۰ درصد بود. این در حالی بود که این مدل به لحاظ تعداد پارامتر و سرعت تشخیص هم عملکرد بسیار خوبی داشت. از این سامانه می توان در توسعه روبات برداشت صیفی جات خودران استفاده کرد.

کلیدواژه ها:

خیار ، ربات برداشت محصول ، گلخانه ، مدل YOLO ، یادگیری عمیق