تشخيص و شمارش خودكار كاكل‌هاي ذرت با استفاده از آشكارساز مبتني بر يادگيري عميق

در سال‌هاي اخير استفاده از يادگيري عميق در كشاورزي دقيق به‌منظور تشخيص و شمارش آفات و يا بيماري‌هاي گياهان، سمپاشي هوشمند، تخمين سطح زير كشت و نظارت بر روند رشد گياهان جهت مقابله با عوامل بازدارنده و يا كاهش‌دهنده رشد و با هدف افزايش بهره‌وري محصولات كشاورزي به سرعت رو به افزايش است. در اين مقاله، به طراحي الگوريتمي برگرفته از شبكه عصبي عميق YOLOv5s جهت تشخيص و شمارش خودكار كاكل‌هاي گياه ذرت پرداخته شده است. براي اين منظور، از تصاوير اخذ شده توسط پهپاد از مزرعه ذرت در دو تاريخ متفاوت جهت آموزش و ارزيابي شبكه استفاده گرديده و با توجه به نوع و اندازه داده به اعمال تغييراتي در معماري و تابع فعال‌سازي الگوريتم اصلي YOLOv5s با هدف افزايش تعداد پارامترهاي شبكه، كاهش بيش برازش و افزايش دقت تشخيص پرداخته شد و الگوريتم Modified YOLOv5s كه به اختصار MYOLOv5s نام دارد به‌عنوان نسخه بهبوديافته YOLOv5s با قابليت شناسايي و شمارش كاكل‌هاي ذرت با مقادير ضريب تبيين (R2) 99.28 درصد و دقت متوسط (AP) 95.30 درصد حاصل شد. همچنين، عملكرد روش پيشنهادي به‌كار گرفته شده در اين مقاله با الگوريتم‌هاي معتبر معرفي شده در اين زمينه ,TasselNetv2+ Faster R-CNN و RetinaNet مقايسه گرديد. نتايج به‌دست‌آمده نشان مي‌دهد كه مقادير ضريب تبيين براي اين سه شبكه به‌ترتيب 77.86، 86.83 و 95.53 درصد مي‌ باشد. همچنين براي الگوريتم‌هاي Faster R-CNN و RetinaNet مقادير دقت متوسط 76.99 و 77.66 درصد به‌دست آمد. اين نتايج نشان مي ‌دهند كه الگوريتم MYOLOv5s حداكثر مقادير ضريب تبيين R2 و دقت متوسط (AP)، دقت (Precision) و يادآوري (Recall) را دارد كه بيانگر كارايي بالاي روش پيشنهادي در تشخيص كاكل ذرت است. شايان ذكر است MYOLOv5s با دارا بودن سرعت پردازش 84 فريم بر ثانيه سريع‌ترين روش در تشخيص كاكل ذرت محسوب مي ‌گردد.