تعيين زمان برداشت ميوه سيب با استفاده از تصاوير رنگي و يادگيري عميق

شناسايي مراحل رشد ميوه پيش از برداشت، عامل مهمي در بهبود كميت و كيفيت ميوه است. داشتن چنين اطلاعاتي به باغ‌دار كمك مي‌كند كه تيمار مناسب هر مرحله از رشد را اعمال نمايد و باتوجه به شرايط متغير آب‌و‌هوايي، به درك مناسبي از زمان برداشت ميوه دست پيدا كند. با اين هدف، در پژوهش حاضر از تصاوير رنگي براي شناسايي هفته‌هاي منتهي به زمان برداشت ميوه سيب گلدن پاييزه استفاده شد. با استفاده از فناوري يادگيري عميق و شبكه‌هاي عصبي پيچشي، مدل EfficientNetB1 براي طبقه‌بندي عكس‌هاي گرفته شده در هفته‌هاي مختلف رشد ميوه سيب استفاده‌ شد. داده‌ها به‌صورت تصادفي به سه دسته آموزش (60%)، اعتبارسنجي (20%) و آزمون (20%) تقسيم شدند. همچنين، دو فرايند پيش‌پردازش يعني نرمال‌سازي داده‌ها و نيز داده‌افزايي براي حصول نتايج بهتر منظور گرديد و در مرحله توسعه مدل از بهينه ساز Nadam و تابع هزينه categorical_crossentropy استفاده شد. نتايج نشان‌داد كه مدل توسعه داده ‌شده قابليت خوبي در طبقه‌بندي تصاوير ورودي داشت. مقدار ضريب همبستگي (R) براي داده‌هاي آموزش، اعتبارسنجي و آزمون به ترتيب 0.86، 0.88 و 0.87 به‌دست آمد. همچنين، توانايي مدل در طبقه‌بندي با استفاده از عوامل precision، recall و f1-score براي هر طبقه ارائه گرديد كه برطبق آن برخي از طبقه‌ها با دقت 100% از ساير طبقه‌ها متمايز شدند. با توجه به قابليت‌هاي يادگيري عميق در طبقه‌بندي عكس‌ها در شرايط كاملاً طبيعي، اين قبيل مدل‌ها مي‌توانند در توسعه ربات‌هاي برداشت و يا سامانه‌هاي عكس‌برداري هوايي و غيره استفاده شوند و اهداف مختلفي در كشاورزي دقيق، و به طور خاص، باغباني دقيق را برآورده سازند.