دسته بندی خودکار زعفران و علف‌های هرز پهن برگ فلیکسید و شاهی با استفاده از یادگیری عمیق و تصاویر رنگی

امروزه استفاده از راهبردهای کشاورزی دقیق که منجر به مدیریت موثر علف های هرز و به حداقل رساندن خسارت به محصولات می شود از اهمیت بالایی برخوردار است. در این تحقیق از تصاویر رنگی و یادگیری عمیق برای تشخیص زعفران از دو علف هرز پهن برگ معمولی به نام‌های Hoary Cress و Flixweed استفاده شد. در مجموع 291 عکس از سه کلاس در شرایط میدانی کاملا طبیعی گرفته شده است. اندازه داده های تصویر به 150 × 150 پیکسل تغییر داده شد، در محدوده [0،1] نرمال شد و سپس افزوده شد. در مجموع 24 مدل یادگیری عمیق با معماری ها و پارامترهای مختلف برای شناسایی بهینه ترین ساختار مورد ارزیابی قرار گرفت. مدل‌های پیشنهادی در شبکه Xception ایجاد شدند و وزن‌های اولیه را از ImageNet از طریق رویکرد یادگیری انتقال به‌کار گرفتند. این مدل‌ها با وارد کردن لایه‌های اضافی به مدل پایه، دستخوش تنظیم و اصلاح شدند. در نهایت، دو مدل بر اساس عملکرد آنها در دقت و از دست دادن داده‌های آزمایشی پیشنهاد شد. یک مدل با وجود ناپایداری بالقوه شبکه، عملکرد بی عیب و نقصی را نشان داد، به دقت 100% و از دست دادن 0.41 دست یافت. با موفقیت تمام کلاس ها را با دقت، فراخوانی و امتیاز F1 در 100٪ متمایز کرد. مدل دوم پیشنهادی عملکرد پایدارتری با دقت 95% و از دست دادن 3.78 نشان داد. دقتی از 91% تا 100%، فراخوانی از 88% تا 100% و امتیاز F1 را از 91% تا 96% در سه کلاس بدست آورد که نتایج امیدوارکننده‌ای را نشان می‌دهد. نتایج این تحقیق می تواند مبنایی برای توسعه ربات های حذف علف های هرز به منظور کنترل خودکار علف های هرز با استفاده از استراتژی کشاورزی دقیق در نظر گرفته شود.

Today, the use of precision agriculture strategies that lead to effective weed management and minimize damage to crops is of great importance. In this research, color images and deep learning were used to distinguish Saffron from two common broadleaf weeds, namely Hoary Cress and Flixweed. A total of 291 photos of the three classes were taken under completely natural field conditions. The image data were resized to 150 × 150 pixels, normalized to [0,1] range, and then augmented. A total of 24 deep learning models with varying architectures and parameters were evaluated to identify the most optimal structure. The proposed models were established on the Xception network and leveraged initial weights from ImageNet via the transfer learning approach. These models underwent fine-tuning and modification by introducing additional layers to the base model. Ultimately, two models were proposed based on their performance in accuracy and loss on test data. One model demonstrated impeccable performance, attaining 100% accuracy and a loss of 0.41, despite potential network instability. It successfully differentiated all classes with precision, recall, and F1-score all at 100%. The second model proposed exhibited a more stable performance with 95% accuracy and a loss of 3.78. It achieved precision ranging from 91% to 100%, recall from 88% to 100%, and F1-score from 91% to 96% across the three classes, showing promising results. The results of this research can be considered as a basis for the development of weed removal robots for the purpose of automatic weed control using precision agriculture strategy.