استفاده از روش هاي يادگيري عميق براي ارزيابي كيفيت كاشت غلات

Using Deep Learning Methods to Evaluate the Quality of Cereal Sowing

يكي از روش‌هاي ارزيابي عملكرد خطي‌كارها مي‌تواند مقايسه درستي عملكرد آن با بررسي جمعيت رويش گياهان كشت‌شده در واحد سطح مزرعه باشد.‬ به نظر مي‌رسد پيكسل‌هاي محل رويش گياهان داراي ويژگي‌هاي مشابهي با توجه به تغييرات پارامترهاي تصوير زمين و گياهان هستند. استفاده از روش يادگيري عميق بر پايه شبكه‌هاي عصبي كانولوشن براي ايجاد نقشه مناطق موردنظر در تصوير مناسب به نظر مي‌رسد. در اين رابطه، درمجموع 2720 تصوير از غلات كه در مراحل اوليه رشد قرار داشتند از مزرعه موردنظر اخذ گرديد. 212 تصوير با پس‌زمينه‌هاي مختلف انتخاب و براي تغذيه و آموزش يك شبكه عصبي كانولوشني علامت‌گذاري شدند. تصاوير خام به‌عنوان ورودي و نقشه‌هاي نقاط رويش علامت‌گذاري شده دستي به‌عنوان خروجي شبكه تعريف گرديدند. به‌منظور محاسبه هزينه شبكه، خروجي پيش‌بيني‌شده توسط شبكه با نقشه از پيش علامت‌گذاري شده پيكسل‌ها مقايسه مي‌شدند. سپس خطاهاي پيش‌بيني به عقب بازگردانده شده و به‌روزرساني پارامترهاي شبكه انجام مي‌گرفت. بررسي خروجي اوليه شبكه نشان داد كه شبكه آموزش‌ديده به نوك برگ‌هاي گياهان، علف‌هاي هرز و بقاياي گياهي به اشتباه به‌عنوان نقاط رويش گياه پاسخ داده است. براي غلبه بر اين خطاها و بهبود عملكرد شبكه، يك تابع جريمه براي نقاط پيش‌بيني‌شده غلط تعريف گرديد. شبكه با سه نرخ جريمه آموزش‌ديده و براي هر نرخ، شبكه با 9 گام آستانه سافت مكس ارزيابي گرديد. با توجه به خروجي شبكه، تصاوير از نظر تراكم گياهي محدوده بندي شد. براي ارزيابي مدل در محدودهاي مختلف، در هر محدوده مشخص تصاويري از مزرعه‌ به‌صورت تصادفي انتخاب شدند. اين تصاوير به مدل خورانده و خروجي‌هاي آن‌ها با حقيقت مقايسه شد. ميانگين هارموني شاخص دقيق و شاخص فراخواني در محدوده‌هايي كه حدود 94 درصد از مجموع تصاوير مزرعه در آن قرار داشت بالاي 80 درصد تخمين زده شد كه نشان‌دهنده عملكرد مناسب مدل در اين زمينه است. نتايج نشان داد كه مدل مي‌تواند بازخورد قابل قبولي در مورد عملكرد كاشت ارايه و مديريت و كارايي مزرعه را در گام‌هاي بعدي بهبود ببخشد.

One of the methods of assessing the performance of seed drills may be to compare the performance with the crop population growth. Pixels of crop emergence zone appear to have similar characteristics concerning image parameter variations between soil and crop. The use of deep learning methods based on convolution neural networks to map regions of interest in the image seems appropriate. In this regard, a total of 2720 images of early-growth cereals were obtained from a field. 212 images with different backgrounds were selected and annotated to feed and train a neural network model. Raw images were defined as inputs and maps of manually marked growth points as network outputs. In order to calculate the network cost, the predicted output of the network was compared with the pre-marked pixel map. Prediction errors were then back-propagated and the network parameters updated. Examination of the initial network output showed that the trained network had responded incorrectly to plant tips, weeds and plant remains as plant growth points. To overcome these errors and improve network performance, a penalty function was defined for the mistaken predicted points. The network was trained with three penalty rates and evaluated with nine Soft Max thresholds. According to the network output, images were arranged in terms of plant density. In order to evaluate the model in different ranges, images from each particular range were selected at random. These images were fed to the model and their outputs compared with the truth. For the ranges where approximately 94% of the total field images existed, the average harmonic accuracy of the precision index and the recall index was estimated to be over 80%, indicating good model performance. The results showed that the model can provide acceptable feedback on sowing performance and improve farm management and efficiency in the next steps.