تشخیص علف‌های هرز در مزارع زعفران با استفاده از مدل بهبودیافته YOLOv5

استفاده بیش‌ازحد از آفت‌کش‌ها و نهاده‌های کشاورزی، آسیب‌های زیست‌محیطی شدیدی به بوم‌سامانه‌های کشاورزی وارد کرده است. با کاربرد کشاورزی دیجیتال و سامانه‌های کاربرد نرخ متغیر، می‌توان بخش‌های مختلف یک مزرعه را با سطوح متفاوتی از آفت‌کش‌ها و نهاده‌ها مدیریت کرد که هم از نظر هزینه‌های تولید و هم از نظر مسائل زیست‌محیطی مفید است. در این مطالعه، یک مدل تشخیص علف هرز و گیاه زعفران برای توسعه یک سامانه کنترل انتخابی علف هرز در مزارع زعفران طراحی و ارزیابی شد. مدل تشخیص علف هرز پیشنهادی بر پایه مدل تشخیص شیء Yolov5 است. چندین ماژول CBS و C3 در مدل Yolov5s به‌ترتیب با ماژول‌های Ghost Bottleneck و C3Ghost جایگزین شدند. این کار برای کاهش تعداد پارامترهای مدل و سبک‌تر کردن شبکه انجام شد که سرعت پردازش تصویر را در طول آموزش و استنتاج مدل افزایش می‌دهد. علاوه بر این، برای بهبود دقت تشخیص مدل پیشنهادی، از یک لایه توجه مختصات (CoordAtt) استفاده شد. نتایج نشان داد که تعداد پارامترهای مدل پیشنهادی در مقایسه با مدل متناظر از نظر ضرایب عرض و عمق شبکه در نسخه‌های Yolov5، ۴۷٪ کاهش یافت. در همین حال، در میان شش مدل آموزش‌دیده، مدل Yolov5s اصلاح‌شده بهترین عملکرد را نشان داد و به مقادیر دقت و recall به‌ترتیب برابر با ۸۱٪ و ۶۷٪ دست یافت. دقت تشخیص مدل پیشنهادی ۳٫۹۳٪ بالاتر از بهترین الگوریتم Yolov5 بود. به دلیل سبک بودن الگوریتم پیشنهادی، می‌توان از آن برای تشخیص علف هرز در زمان واقعی در مزارع کشاورزی جهت توسعه سامانه‌های کنترل انتخابی استفاده کرد.

The excessive use of agricultural pesticides and inputs has caused severe environmental damage to agricultural ecosystems. By applying digital agriculture and variable rate application systems, various sections of a farm can be managed with varying levels of pesticides and inputs, which is beneficial both in terms of production costs and environmental issues. In this study, a weed and saffron plant detection model was designed and evaluated to develop a selective weed control system in saffron fields. The proposed weed detection model is based on the Yolov5 object detection model. Several CBS and C3 modules in the Yolov5s model were replaced with Ghost Bottleneck and C3Ghost modules, respectively.
This was done to reduce the number of model parameters and make the network lighter, which increases the speed of image processing during model training and inference. Furthermore, to improve the detection accuracy of the proposed model, a coordinate attention (CoordAtt) layer was used. The results showed that the number of parameters in the proposed model was reduced by 47% compared to the corresponding model in terms of network width and depth coefficients in Yolov5 versions. Meanwhile, among the six trained models, the modified Yolov5s model demonstrated the best performance, achieving accuracy and recall values equal to 81% and 67%, respectively. The detection accuracy of the proposed model was 3.93% higher than that of the best-performing Yolov5 algorithm. Due to the lightweight nature of the proposed algorithm, it can be used for real-time weed detection in agricultural fields to develop selective control systems.