فهرست نشریات علمی دسترسی آزاد ایران

چکیده هدف: ماشین بینایی شاخه‌ای از هوش مصنوعی است که با تشخیص اشیاء موجود در یک تصویر و یا دسته‌بندی تصاویر سر و کار دارد. در این مقاله برای دسته‌بندی تصاویر علفهای هرز در هجده دسته از روش یادگیری انتقالی استفاده شده است. با استفاده از مدلهای یادگیری انتقالی، پیاده‌سازی پردازش تصویر به کمک الگوریتم‌‎های یادگیری عمیق روی رایانه‌های دارای امکانات سخت‌افزاری معمولی امکان‌پذیر می‌شود. هزینه انجام این کار کم شدن صحت مدل بر مبنای یادگیری انتقالی نسبت به مدل یادگیری عمیق است. مواد و روشها: ابتدا تصاویری از هر یک از هجده دسته علف‌های هرز جمع‌آوری شد و این تصاویر به دو دسته آموزش، شامل 695 تصویر، و آزمون، شامل 260 تصویر، تقسیم شدند. سپس تعداد تصاویر پایگاه داده‌ای آموزش با فرآیند افزایش رایانه‌ای تصاویر ده برابر شد و تعداد تصاویر پایگاه داده‌ای آموزش به 6950 تصویر رسید. این تصاویر به عنوان داده‌های خام اولیه برای ایجاد مدل ماشین بینایی مورد استفاده قرار گرفت. عملیات پیش‌پردازش تصاویر به کمک توابع موجود در کتابخانه PyTorch انجام شد، سپس مدل یادگیری انتقالی با استفاده از تصاویر پایگاه داده‌ای آموزش توسعه یافت و روی تصاویر پایگاه داده‌ای آزمون، ارزیابی شد. معیار اصلی ارزیابی مدل، ماتریس در هم ریختگی بود که به وسیله آن سایر معیارهای ارزیابی یعنی حساسیت، اختصاصیت، دقت، نمره F1 و صحت محاسبه و نتایج آن ارائه شد. يافته‌ها: بر طبق نتایج به دست آمده مقادیر معیارهای حساسیت، اختصاصیت، دقت، نمره F1 و صحت به دست آمده در این پژوهش به‌ترتیب برابر با 84، 99، 83، 84 و 84 درصد بودند. نتيجه‌گيري: این نتایج از قابل قبول بودن عملکرد دسته بند با وجود عدم استفاده از رایانه مجهز به GPU در فرآیند آموزش حکایت دارد.