آشکارسازی نشاء برنج در تصویر پهپاد با استفاده از شبکه DenseNet
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 80
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JGCE-1-2_009
تاریخ نمایه سازی: 13 دی 1402
Abstract:
پیشینه و اهداف: برنج به عنوان یک محصول استراتژیک در زمینه امنیت غذایی نه تنها در اقتصاد کلان جوامع بلکه در جایگاه جهانی نیز جایگاه ویژه ای دارد. اهمیت این محصول در تامین نیازهای غذایی جمعیت و نقش آن در تحقق امنیت غذایی، اهمیت جدی و چشم گیری به آن اختصاص داده است. در این راستا، جمع آوری دقیق و به روز اطلاعات از وضعیت مزارع برنج، به ویژه اطلاعات مرتبط با کمیت و کیفیت محصولات، امری بسیار حیاتی و اساسی است. استفاده از تکنولوژی های سنجش از دور در این زمینه به عنوان یک راهکار کارآمد و موثر مطرح شده است. این تکنولوژی ها امکان جمع آوری اطلاعات پایشی از مزارع را با کمترین هزینه و در مناطق گسترده تر فراهم می آورند. از جمله این تکنولوژی ها، پهپادها به خاطر توانایی بهتر در تفکیک مکانی و دقت بالاتر در انجام پایش های مختلف نسبت به ماهواره ها، از مزایای نسبی برخوردارند. تحقیق حاضر از یک رویکرد پیشرفته به نام یادگیری عمیق استفاده می نماید تا به منظور تخمین سطح زیر کشت برنج نشاء یا نهال از تصاویر RGB گرفته شده از پهپادها در منطقه ووفنگ استان تایچانگ کشور تایوان، اقدام نماید. این روش از توانمندی های شبکه های عصبی عمیق به عنوان یک ابزار موثر برای تحلیل داده های پیچیده بهره مند شده و به دقت بالایی در تفکیک انواع مختلف سطح زیر کشت نشاء یا نهال برنج دست یافته است.روش ها : در این تحقیق، از یکی از روش های پیشرفته یادگیری عمیق به نام DenseNet برای مدل سازی و پیش بینی سطح زیر کشت برنج نشاء یا نهال در تصاویر RGB گرفته شده از پهپادها استفاده شده است. این روش به وسیله الگوریتم های پیچیده و مجموعه ای از لایه های پردازشی، قابلیت استخراج مفاهیم انتزاعی سطح بالا را از داده ها دارد. یکی از ویژگی های منحصر به فرد DenseNet این است که از الگوریتم لایه به لایه (Layer-to-Layer) به جای رویکردهای سنتی که از ادغام لایه ها (layer concatenation) استفاده می کنند، بهره می برد. در این الگوریتم، هر لایه مستقل از سایر لایه ها کار می کند و به لایه های قبلی متصل می شود، که باعث کاهش تعداد وزن ها و پارامترها و همچنین افزایش کارایی شبکه می شود. استفاده از قابلیت یادگیری عمیق برای پردازش به هنگام داده ها به صورت فوری پس از اخذ تصاویر نشان دهنده ی قابلیت پویای DenseNet در پردازش اطلاعات به سرعت و با دقت بالا است. این امکان به ما این اجازه را می دهد که در زمان واقعی به تحلیل و پیش بینی سطح زیر کشت برنج نشاء یا نهال پرداخته و اطلاعات مورد نیاز برای اداره بهینه مزارع را بدست آوریم.یافته ها: نتایج به دست آمده از این تحقیق، تاییدگر دقت بسیار بالای ۹۹.۸ درصد را بر روی داده های اعتبارسنجی نشان می دهد. این درصد بسیار بالا نشان دهنده ی توانایی فوق العاده روش یادگیری عمیق DenseNet در تخمین دقیق سطح زیرکشت برنج نشاء یا نهال می باشد. این دقت بالا نه تنها نشان دهنده ی عملکرد بسیار خوب مدل در شناسایی و پیش بینی میزان کاشت برنج، بلکه اطمینان بخش بوده و به کاربران اعتماد می بخشد. مدل ارائه شده توانسته است با دقت بسیار بالا به تشخیص و ارزیابی سطح زیر کشت برنج نشاء یا نهال بپردازد. این امر در عمل به کشاورزان و مدیران مزارع ابزاری ارزشمند ارائه می دهد تا به صورت دقیق تر و سریع تر از وضعیت مزرعه خود آگاه شوند و تصمیم گیری های بهتری در مدیریت کشت و بهره وری انجام دهند.نتیجه گیری: در مجموع، این تحقیق نشان می دهد که استفاده از پهپادها به همراه روش های یادگیری عمیق، به منظور تخمین سطح زیرکشت برنج نشاء یا نهال با دقت بالا، در مناطقی چون ووفنگ استان تایچانگ تایوان، امکان پذیر است. این ارتقاء در تکنولوژی پایش می تواند به مدیران ذی ربط در امور کشاورزی و امنیت غذایی کمک زیادی کند.
Keywords:
Authors
کیارش بروشان
گروه سنجش از دور و سیستم اطلاعات مکانی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد- واحد علوم و تحقیقات، تهران، ایران
سعید بهزادی
گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :