تشخیص مکان و زاویه گل های زعفران در تصویر با استفاده از شبکه های همگشتی عمیق

تشخیص خودکار مکان و زاویه برش گل های زعفران یک گام اساسی برای فرآوری خودکار گل زعفران است. با توجه به تنوع موجود میان گل های زعفران، الگوریتم های سنتی نمی توانند دقت قابل قبول را نتیجه دهند. در این مقاله، یک الگوریتم مبتنی بر شبکه های همگشتی عمیق برای حل این مسئله پیشنهاد شده است. در معماری پیشنهادی، تصویر به تعدادی ناحیه مربعی کوچک تقسیم می شود و در هر ناحیه وجود محل برش گل زعفران تخمین زده می شود. همچنین، محل نسبی مناسب برای برش گل زعفران نسبت به مرکز ناحیه تخمین زده می شود. برای تخمین زاویه، ابتدا محدوده ۳۶۰ درجه به تعدادی قسمت تقسیم می شود و زاویه گل به یکی از مقادیر اختصاص می یابد. سپس، زاویه نسبی نسبت به مرکز ناحیه تخمین زده می شود. به منظور ارزیابی عملکرد الگوریتم پیشنهادی، یک پایگاه داده شامل ۱۶۳ تصویر و ۳۰۳۵ گل جمع آوری شده است و پارامترهای هر گل توسط یک خبره مشخص شده است. ارزیابی الگوریتم پیشنهادی نشان می دهد که پارامترهای بیش از ۹۵% گلها به درستی تخمین زده شده اند.

Automatic detection of the location and cutting angle of saffron flowers is a fundamental step for the automated processing of saffron flowers. Given the diversity among saffron flowers, traditional algorithms cannot achieve acceptable accuracy. In this paper, a deep convolutional network-based algorithm is proposed to address this issue. In the proposed architecture, the image is divided into several small square regions, and in each region, the presence of the saffron flower cutting location is estimated. Additionally, the appropriate relative position for cutting the saffron flower is estimated with respect to the center of the region. To estimate the angle, the 360-degree range is first divided into several parts, and the flower’s angle is assigned to one of these values. Then, the relative angle with respect to the center of the region is estimated. To evaluate the performance of the proposed algorithm, a database consisting of 163 images and 3,035 flowers was collected, with each flower’s parameters determined by an expert. Evaluation of the proposed algorithm shows that the parameters of over 95% of the flowers were correctly estimated.