توسعه یک مدل یادگیری عمیق مبتنی بر شبکه VGG16 برای طبقه‌بندی گیاهان زعفران و علف‌های هرز از روی تصاویر رنگی

فناوری‌های کشاورزی دقیق نقش مهمی در بهینه‌سازی مدیریت محصول با امکان مداخله خاص سایت، به ویژه در کنترل علف‌های هرز ایفا می‌کنند. روش‌های سنتی مدیریت علف هرز اغلب منجر به استفاده بیش از حد از علف‌کش، آسیب زیست‌محیطی و آسیب به محصول می‌شود. تشخیص خودکار علف هرز با استفاده از یادگیری عمیق یک راه‌حل امیدوارکننده ارائه می‌دهد و به طور دقیق بین محصولات و علف‌های هرز تمایز قائل می‌شود و در نتیجه حذف هدفمند را تسهیل می‌کند. زعفران، به عنوان یک محصول با ارزش بالا، با رقابت علف‌های هرز مهاجم مانند خاکشیر و ازمک مواجه است که عملکرد و کیفیت را کاهش می‌دهند. این مطالعه از بینایی کامپیوتر و یادگیری عمیق برای طبقه‌بندی زعفران و این دو علف هرز رایج در شرایط طبیعی مزرعه استفاده می‌کند. شبکه‌های عصبی کانولوشن (CNN) به دلیل اثربخشی اثبات شده آنها در کارهای طبقه‌بندی تصویر به کار گرفته شدند. یادگیری انتقالی برای بهبود عملکرد مدل با استفاده از وزن‌های از پیش آموزش دیده از ImageNet اعمال شد. این تحقیق با هدف توسعه یک مدل طبقه‌بندی قوی انجام شده است که می‌تواند از ابزارهای کشاورزی دقیق، مانند علف‌کن‌های رباتیک، با شناسایی دقیق علف‌های هرز در حالی که محصول اصلی را حفظ می‌کند، پشتیبانی کند. موفقیت این رویکرد می‌تواند به طور قابل توجهی استفاده از علف‌کش را کاهش دهد، هزینه‌های تولید را کاهش دهد و عملکرد زعفران را از طریق مدیریت خودکار و خاص سایت علف هرز بهبود بخشد.

Precision agriculture technologies play a crucial role in optimizing crop management by enabling site-specific interventions, particularly in weed control. Traditional weed management methods often result in excessive herbicide use, environmental damage, and crop damage. Automated weed detection using deep learning offers a promising solution, accurately distinguishing between crops and weeds, thereby facilitating targeted removal. Saffron, a high-value crop, faces competition from invasive weeds such as Flixweed and Hoary Cress, which reduce yield and quality. This study leverages computer vision and deep learning to classify saffron and these two common weeds under natural field conditions. Convolutional Neural Networks (CNNs), were employed due to their proven effectiveness in image classification tasks. Transfer learning was applied to enhance model performance by utilizing pre-trained weights from ImageNet. The research aims to develop a robust classification model that can support precision agriculture tools, such as robotic weeders, by accurately identifying weeds while preserving the main crop. The success of this approach could significantly reduce herbicide use, lower production costs, and improve saffron yield through automated, site-specific weed management.