کاوه ملازاده

در مزارع کشاورزی تعداد زیادی علف های هرز در کنار سیب زمینی رشد می کنند. سیب زمینی از دیگر گیاهان زراعی با اهمیت آسیایی است و به طور کلی، چنین تولیدی سالانه توسط علف های هرز مخرب آلوده می شود که باید با روش های خاص به طور خودکار کنترل شود. معمولاً کنترل علف های هرز شامل سم پاشی علف کش ها در سراسر مزارع کشاورزی است. هدف از این مطالعه توسعه کنترل علف های هرز برای توزیع مناسب مدیریت علف کش در سیب زمینی های ثبت شده است. زیرا این علف های هرز با رقابت در جذب آب، نور و مواد مغذی از خاک، باعث کاهش تولید محصولات می شوند. طبقه بندی علف های هرز گام مهمی در سیستم مدیریت علف های هرز سایت مخصوص (SSWMS) است که می تواند با جلوگیری از کاربردهای مکرر شیمیایی منجر به صرفه جویی در علف کش ها شود. سیب زمینی و خصوصیات آن ها از علف های هرز متمایز می شود. در این حالت، ما شبکه های عصبی کانولوشن را ارائه می دهیم که دارای دقت بالایی هستند. با یک الگوریتم یادگیری عمیق، ویژگی های علف های هرز استخراج می شود که عملکرد بیشتری را در مقایسه با روش های معمول یادگیری ماشین ارائه می دهد. کشاورز ابتدا باید بتواند بفهمد که (زمان در روز) و کجا (فاصله بین گیاه و دوربین حسگر) زمین را پاشیده است تا تأثیر قابل اندازه گیری داشته باشد. در مطالعه ما برای جمع آوری مجموعه داده های تصویر از خود در سیب زمینی به پنج قد احترام با چهار زمان اختلاف در روز پرداختیم. فاصله شامل (20-40-60 80-100) سانتی متر از سطح زمین، همچنین شرایط مختلف روشنایی و سایه اندازی، چهار زمان مختلف (شامل 8:00 تا 11:00 ، 11:00 تا 14:00 ، 15:00 تا 17:00 ، 17:00 تا 19:00). نتایج تجربی نشان می دهد که مدل نهایی در اثر طبقه بندی 10 گونه عکس علف های هرز به خوبی عمل می کند. در روش ما، سه طبقه بندی CNN ساخته شده است کهEN-Inception-V3، EN-VGG-16و HCNN هستند، و آن ها نتایج قابل مقایسه و قابل قبولی را در مجموعه داده ما بدست آوردند. دقت کلی طبقه بندی کننده های EN-Inception-V3، EN-VGG-16 و HCNN به ترتیب 99.42 ، 97.02 و 98.22 است. علاوه بر این، یافته های این تحقیق برای پاشش موفقیت آمیز علف کش ها در یک سیستم رباتیک استفاده خواهد شد.