تشخیص علف‌های هرز در مزارع زعفران با استفاده از مدل YOLO v5 بهبودیافته

استفاده بیش از حد از آفت‌کش‌ها و نهاده‌های کشاورزی خسارات زیست‌محیطی شدیدی به اکوسیستم‌های کشاورزی وارد کرده است. با به‌کارگیری کشاورزی دیجیتال و سیستم‌های کاربرد با نرخ متغیر، بخش‌های مختلف یک مزرعه را می‌توان با سطوح مختلف آفت‌کش‌ها و نهاده‌ها مدیریت کرد که از نظر هزینه‌های تولید و مسائل زیست‌محیطی سودمند است. در این مطالعه، یک مدل تشخیص علف هرز و گیاه زعفران برای توسعه یک سیستم کنترل انتخابی علف‌های هرز در مزارع زعفران طراحی و ارزیابی شد. مدل پیشنهادی تشخیص علف هرز بر اساس مدل تشخیص شی YOLO v5 است. چندین ماژول CBS و C3 در مدل YOLO v5s به ترتیب 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 در طول آموزش مدل و استنتاج را افزایش می‌دهد. علاوه بر این، برای بهبود دقت تشخیص مدل پیشنهادی، از یک لایه توجه مختصاتی (CoordAtt) استفاده شد. نتایج نشان داد که تعداد پارامترها در مدل پیشنهادی در مقایسه با مدل متناظر از نظر ضرایب عرض و عمق شبکه در نسخه‌های YOLO v5، 47% کاهش یافته است. در همین حال، در میان شش مدل آموزش‌دیده، مدل اصلاح‌شده YOLO v5s بهترین عملکرد را نشان داد و به مقادیر دقت و بازیابی به ترتیب برابر با 81% و 67% دست یافت. دقت تشخیص مدل پیشنهادی 3.93% بالاتر از بهترین الگوریتم YOLO v5 بود. با توجه به ماهیت سبک الگوریتم پیشنهادی، می‌توان از آن برای تشخیص علف‌های هرز در زمان واقعی در مزارع کشاورزی برای توسعه سیستم‌های 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 YOLO v5 object detection model. Several CBS and C3 modules in the YOLO v5s 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 YOLO v5 versions. Meanwhile, among the six trained models, the modified YOLO v5s 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 YOLO v5 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.