ارائه راهکار مبتنی بر یادگیری عمیق برای شناسایی سریع و دقیق فلفل در گلخانه های با پوشش برگ متراکم

با افزایش روزافزون تقاضای جهانی برای محصولات کشاورزی، توسعه روش های مکانیزه برداشت به ویژه برای محصولات پرمصرف و حساس مانند فلفل سبز ضرورتی انکارناپذیر است. در این میان، شناسایی دقیق و سریع فلفل ها در شرایط واقعی گلخانه ای که اغلب دارای پوشش گیاهی متراکم، نور متغیر و پس زمینه های پیچیده هستند، نقش کلیدی در ارتقاء کارایی سامانه های برداشت هوشمند ایفا می کند. در این پژوهش، مدل یولو ۱۱ بزرگ به عنوان یک شبکه پیشرفته و به روز در حوزه بینایی ماشین، برای انجام هم زمان دو وظیفه ی تشخیص و بخش بندی فلفل ها مورد استفاده قرار گرفت. پس از ایجاد پایگاه داده ای شامل حدود ۱۰۰۰ تصویر فلفل هیدروپونیک در نماهای مختلف با برچسب گذاری پیکسلی و جداسازی دقیق از پس زمینه، دو نسخه از مدل شامل نسخه اولیه و نسخه بهینه شده با تنظیم هایپرپارامترها و اعمال داده افزایی آموزش داده شد. در نسخه بهینه، کاهش نرخ اولیه یادگیری و به کارگیری مکانیزم توقف زودهنگام، موجب بهبود همگرایی و جلوگیری از بیش برازش گردید. ارزیابی عملکرد مدل ها بر اساس شاخص هایی نظیر دقت کلی، میانگین دقت متوسط با آستانه ۵۰ (mAP۵۰) و زمان پردازش بر روی واحد پردازنده گرافیکی صورت گرفت. نتایج عددی بسیار نزدیک بودند (۱/۹۰ درصد در برابر ۷۵/۸۹ درصد دقت کلی)، اما تحلیل نمودارهای آموزش و اعتبارسنجی، کاهش چشمگیر بیش برازش و بهبود همگرایی را در مدل بهینه شده نشان داد. همچنین، این مدل با زمان پردازش مناسب (۷/۵ میلی ثانیه)، قادر به شناسایی دقیق ناحیه فلفل از پس زمینه شد. یافته ها حاکی از آن است که نسخه بهینه شده مدل پیشنهادی می تواند مبنای توسعه سامانه های رباتیک برداشت، پایش سلامت گیاه و مدیریت هوشمند گلخانه باشد.

کلیدواژه ها:

بینایی ماشین ، برداشت مکانیزه ، فلفل ، کشاورزی دیجیتال ، گلخانه هوشمند ، یادگیری عمیق