فهرست نشریات علمی دسترسی آزاد ایران

برداشت محصول سیب‌زمینی در زمین‌های کشاورزی با کمترین مصرف مواد اولیه (علف کش­ها یا عملیات مکانیکی) یکی از اهداف اصلی کشاورزی پایدار است. در کشاورزی دقیق، سیستم‌های مبتنی بر بینایی ماشین به عنوان حسگرهایی که در حالت حرکت برای تشخیص علف‌ها از گیاه اصلی کاربرد دارند، می­توانند مورد استفاده قرار گیرند. این مقاله یک مدل جدید بر اساس یادگیری عمیق برای تشخیص علف‌های هرز در زمین‌های سیب‌زمینی را ارائه می‌کند. در این راستا، ابتدا یک پایگاه داده جامع از زمین تحت کشت سیب‌زمینی شامل تصاویری از مراحل مختلف رشد گیاه، در فواصل مختلف دوربین از زمین، در ساعات مختلف روز و در شرایط محیطی متفاوت تهیه شده است. سپس، با استفاده از الگوریتم عمیق YOLOV3، موقعیت کل گیاهان در زمین تعیین می­گردد. در نهایت، برای جداسازی علف‌های هرز از گیاه اصلی و تعیین نوع علف هرز سه شبکه‌های عصبی کانولوشنی توسعه داده شده است. نتایج نشان داده که الگوریتم YOLOV3 قادر است به خوبی مکان گیاهان را در تصاویر تشخیص دهد. همچنین این روش می­تواند با دقت 99.64٪ علف‌ها را از گیاهان سیب‌زمینی در مجموعه تصاویر آزمایشی تشخیص دهد. نتایج دسته‌بندی 9 گونه مختلف علف‌های هرز نیز با استفاده از مدل‌های یادگیری عمیق توسعه داده شده قابل قبول است؛ به طوری که دقت کلی مدل‌های EN-Inception-V3، EN-VGG-16 و HCNN به ترتیب در فاز آموزش 99.82٪، 99.89٪ و 92.83٪ و در فاز آزمایش 96.69٪، 90.32٪ و 82.67٪ می­باشد. البته ترکیب این مدل­ها دقت تشخیص را تا 98.2% ارتقا می­ دهد.