عنوان

تشخیص علف‌های هرز در مزارع غلات با استفاده از شبکه‌های عصبی کانولوشنی عمیق

شماره

پ۲۷۴۱۵

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

تشخیص علف‌های هرز در مزارع غلات با استفاده از شبکه‌های عصبی کانولوشنی عمیق

نام نخستين پديدآور

حسین اختری

نام ناشر، پخش کننده و غيره

کشاورزی

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۸۴ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی مکانیک بیوسیستم

زمان اعطا مدرک

۱۴۰۱/۰۶/۳۰

متن يادداشت

در بسیاری از کشورها، به‌طور میانگین بیش از 50 درصد غذای مردم از غلات تأمین می‌شود و نزدیک به 70 درصد سطح زیر کشت یک میلیارد هکتاری جهان را غلات به‌خود اختصاص داده‌اند. علف‌های هرز گوناگونی همراه با غلات در مزارع رشد می‌کنند که می‌توانند عملکرد محصول را بواسطه رقابت برای نور، آب و مواد مغذی کاهش دهند. سالانه قسمتی از هزینه‌های تولید غلات به‌خصوص گندم صرف کنترل و نابودی علف هرز می‌گردد. در کنار این زیان‌های اقتصادی، توزیع نامناسب و بیش از ‌حد علف‌کش‌های شیمیایی در مزارع باعث آلودگی زیست محیطی و حتی زنجیره غذایی می‌شود که بیماری‌های جبران ناپذیری برای انسان در پی خواهد داشت. جعفری وحشی(Bur chervil) یکی از انواع علف‌های ‌هرزی است که در مزارع غلات در نواحی آسیایی رشد می‌کند. از بین بردن علف‌های هرز به‌صورت دقیق و با حداقل مشکلات، مستلزم تشخیص به موقع با دقت و سرعت بالا می‌باشد. از جمله روش‌های نوین در این حوزه، استفاده از فناوری بینایی ماشین و روش‌های مرتبط با آن نظیر الگوریتم‌های تشخیص اشیا، یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN) است. مراحل مربوط به انجام پروژه شامل آماده‌سازی داده‌‌ها جهت آموزش و ارزیابی شبکه‌ها، استفاده از الگوریتم‌های تشخیص اشیا جدید، استفاده از شبکه‌های عصبی کانولوشنی مختلف با خصوصیات متفاوت برای استخراج ویژگی‌های تصاویر در الگوریتم‌ها و بهره‌گیری از روش شبکه هرمی ویژگی (FPN) در الگوریتم‌های تشخیص اشیا بود. خروجی شبکه‌ها از نظر تعداد تشخیص، مکان دقیق تشخیص و بهترین زمان تشخیص جعفری وحشی در مزرعه گندم مورد بررسی و ارزیابی قرار گرفتند. مدل دو مرحله‌ای FasterRCNN با ResNet50 و به ‌همراه شبکه ویژگی هرمی با میانگین دقت 48/0، بهترین شبکه از نظر دقت مکان‌یابی در میان دیگر شبکه‌ها بود. علاوه بر این شبکه مدنظر در این تحقیق از میان 535 علف‌هرز هدف توانست 503 تعداد از آن‌ها را تشخیص بدهد و این بدان معنا است که شبکه قادر به تشخیص تقریبا 95% علف‌های هرز می‌باشد. نتایج حاصل شده با وجود چالش‌هایی شامل کم بودن تعداد تصاویر برای آموزش و ارزیابی، تراکم بسیار زیاد علف‌های هرز درتصاویر مربوط برای ارزیابی با اندازه‌های متفاوت علف‌های هرز بود که برای مرتفع‌سازی آنها ایده‌ها و روش‌هایی مطرح شد که روند آموزش شبکه‌ها بهتر و دقت خروجی آنها افزایش یافت.

متن يادداشت

In many countries, on average, more than 50% of people's food comes from cereals, and nearly 70% of the world's one billion hectares of cultivated land are occupied by cereals. A variety of weeds grow alongside grains in fields that can reduce crop yield by competing for light, water, and nutrients. Every year, part of the costs of grain production, especially wheat, is spent on weed control. In addition to these economic losses, improper and excessive distribution of chemical herbicides in fields causes environmental pollution and even the food chain, which will result in irreparable diseases for humans. Bur chervil is a type of weed that grows in grain fields in Asian regions. Removing weeds accurately and with minimal problems requires timely detection with high accuracy and speed. Among the new methods in this field is the use of machine vision technology and related methods such as object detection algorithms, deep learning, and convolutional neural networks (CNNs). The steps related to the implementation of the project included preparing data for training and testing models, using new object detection models, using different and recently used convolutional neural networks with different Structure and using the Feature Pyramid Network (FPN) method in object detection models. The network output was evaluated in terms of the number of detections, the exact location of detection and the best time to detect Bur chervil in the wheat field. The successful model in this research was able to detect almost 95% of weeds. The challenges that exist in this research include the Lack of data for training and testing, the high density of weeds in the related images for test, and the different sizes of weeds. Therefore to improve them, ideas and methods were proposed to better training process of networks and increase the accuracy of their output.

عنوان گونه گون

Deep Learning-Based Object Detection Model for location and recognition Weeds in Cereal Fields Using Color Imagery

عنصر شناسه اي

اختری‏،

ساير عناصر نام

حسین‏

کد نقش

تهيه کننده

عنصر شناسه اي

نوید‏،

عنصر شناسه اي

کریمی،

ساير عناصر نام

حسین

ساير عناصر نام

هادی ‏

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏تبریز