تشخیص زمین های کشاورزی به کمک رویکرد تقسیم بندی نمونه برمبنای یادگیری عمیق

داده‌های جغرافیایی، مرزهای زمین‌های کشاورزی و قطعه‌بندی آن‌ها برای بسیاری از کاربردهای کشاورزی ضروری است. به عنوان مثال می‌توان به تحت نظارت قرار دادن زمین برای مدیریت منابع اشاره کرد. از آنجایی که مرزبندی به صورت دستی و به کمک شخص حقیقی زمان زیاد و ابزارهای خاصی نیاز دارد، نیاز به خودکارسازی تکرارپذیر این کار احساس می‌شود. هدف از این پژوهش، پردازش تصاویر ماهواره‌ای و شناسایی قطعه زمین‌های کشاورزی موجود در این تصاویر به همراه مرزبندی آن‌ها است. به این منظور، مدل Mask R-CNN که یکی از مدل‌های پیشتاز ارائه شده برای تقسیم‌بندی نمونه در یادگیری عمیق است، مورد استفاده قرار گرفت. برای بررسی راه حل پیشنهادی، با تهیه‌ی یک مجموعه داده، مدل تحت آموزش قرار گرفت. ارزیابی مدل نیز با معیارهای تقسیم‌بندی نمونه مطابق با استاندارد COCO صورت پذیرفت. در آزمایشی که از باند‌های رنگی (RGB) ماهواره‌ی Sentinel-۲ به عنوان ورودی استفاده شد، میانگین دقت (AP) %۵۴ و صحت پیکسلی ۹۰% حاصل شد. نتایج به دست آمده نشان داد که روش پیشنهادی در این پژوهش پتانسیل بالایی را در تقسیم‌بندی نمونه‌ی زمین‌های کشاورزی دارد.

Keywords:

یادگیری عمیق , شبکه های عصبی , تقسیم بندی نمونه , قطعه بندی تصویر , پردازش داده های جغرافیایی , Mask R-CNN , Sentinel-۲