فهرست نشریات علمی دسترسی آزاد ایران

هدف از استخراج اطلاعات مرزی، ایجاد پایگاه‌ اطلاعات زمین‌های کشاورزی است. با داشتن این معلومات می‌توان میزان مصرف آب و برداشت محصول را تخمین زد و هدایت ماشین‌آلات کشاورزی را خودکار نمود. برداشت میدانی مرز زمین‌ها زمان‌بر و پرهزینه است و برای این کار می‌توان روش‌های سنجش از دوری را مورد استفاده قرار داد. اما ترسیم دستی مرز زمین‌های کشاورزی از روی تصاویر سنجش از دوری، همچنان دشوار است. بنابراین استفاده از روش‌های خودکار راه‌حل مناسبی به نظر می رسد. این روش‌ها را می‌توان به دو دسته روش‌های مرسوم پردازش تصویر و روش‌های مبتنی بر یادگیری ماشین طبقه‌بندی کرد. روش‌های مرسوم پردازش تصویر مانند تشخیص لبه، مشکلاتی چون موقعیت‌یابی نادرست و دقت تشخیص ضعیف دارند. بنابراین محققان الگوریتم‌های تشخیص لبه نوین را بر اساس یادگیری‌عمیق، پیشنهاد نموده‌اند. شبکه‌های ‌عصبی‌ پیچشی ازجمله آن‌ها هستند که در این پژوهش به‌ کار رفته‌اند. برای پیاده‌سازی روش پیشنهادی، از زبان برنامه‌نویسی پایتون نسخه 3.11 در چارچوب کتابخانه keras استفاده شد. یکی از مشکلات استفاده از شبکه‌های عصبی پیچشی، کمبود مجموعه‌ داده آموزشی مناسب است. در پژوهش حاضر برای حل این مشکل، از فنون انتقال ‌یادگیری و تنظیم‌ دقیق استفاده شد. مجموعه‌ داده دسترسی آزاد فرانسه در کنار سه مجموعه داده ‌همدان، بهار و خرسان، برای آموزش شبکه‌های ‌عصبی ‌پیچشی به کار رفت. هشت سناریوی آزمایشی طراحی شد. پنج مورد از آن‌ها با تنظیم ‌دقیق و سه مورد دیگر بدون تنظیم ‌دقیق انجام گرفت. همچنین پنج حالت معماری مختلف از شبکه U-Net با شبکه‌های ‌پایه مختلف پیاده‌سازی شد. برای ارزیابی عملکرد، معیارهای Dice Score، IoU، Accuracy، Recall و F1-Score محاسبه شدند. در پایان مشخص شد انتقال ‌یادگیری و تنظیم ‌دقیق، روشی برای جبران کمبود داده‌های آموزشی و افزایش دقت هستند. در این پژوهش دقت عملکرد سناریوی سوم آزمایش،0.73T  در معیارIoU بود. وقتی همین سناریو با استفاده از تنظیم دقیق انجام شد، دقت آن 0.14 بهبود یافت و به 0.87 رسید. همچنین مکانیسم Attention در ترکیب با معماری‌های شبکه عصبی، دقت استخراج مرز را بهبود داد.