مشاهده مشخصات مقاله
تشخیص خوشه‌های گندم با استفاده از تشخیص‌دهنده‌های تک مرحله‌ای
|
نویسنده (ها) |
-
فرشید محمودآبادی
-
فهیمه قاسمیان
|
|
مربوط به کنفرانس |
بیست و هشتمین کنفرانس بین المللی انجمن کامپیوتر ایران |
|
چکیده |
شبکه‌های عصبی عمیق تاثیر بسزایی در افزایش کارایی الگوریتم‌های بینایی ماشین از جمله طبقه‌بندی و بخش‌بندی تصاویر داشته‌اند. با توجه به اهمیت گندم در تغذیه بخش بزرگی از جمعیت کره زمین و همچنین اهمیت نظارت و نگهداری از این محصول خوراکی (غالبا به شکل تحلیل خوشه‌ها)، تشخیص خوشه‌های گندم در تصاویر گیاهان به جهت مشاهده سلامت، مرحله رشد، وجود شاخکها و غیره امری مهم به شمار میرود. در این مقاله به منظور تشخیص خوشه‌های گندم در تصاویر از مدل‌های عمیق موجود در حوزه بخش‌بندی و تشخیص اشیا شامل چهار مدل FASTER-RCNN ،MASK-RCNN ،CASCADE-RCNN و HTC که جزو بهترین مدل‌ها در این زمینه هستند و در سال‌های اخیر ارائه شده‌اند، استفاده شده است. همچنین برای بهبود نتایج از روش‌های یادگیری انتقالی، آگمنت تصاویر و DetectoRS بهره‌گیری شده است. نتایج حاصل از آموزش و ارزیابی این مدل‌ها برای تشخیص خوشه‌های گندم موجود در مجموعه داده GWHD نشان داد که استفاده از منطق برگشتی موجود در رویکرد CASCADE موجب افزایش سه و نیم درصدی دقت شده و همچنین سرعت آموزش در مدل HTC را نیز بالا می‌برد. استفاده از پیشنهادات طراحان DetectoRS نیز این بهبود نتایج را قوت می‌بخشد. بکارگیری روش آگمنت تصاویر سبب افزایش ۱.۲ درصدی دقت برای مدل HTC می‌شود. از میان مدل‌های آموزش دیده مدل DetectoRS-HTC بهترین کارایی را برای تشخیص خوشه‌های گندم دارد و توانست به بهبود ۴.۸ درصدی در مقایسه با پیاده‌سازی پایه‌ی طراحان مجموعه داده GWHD (مدل FASTER-RCNN) دست پیدا کند. |
|
قیمت |
-
برای اعضای سایت : ۱٠٠,٠٠٠ ریال
-
برای دانشجویان عضو انجمن : ۲٠,٠٠٠ ریال
-
برای اعضای عادی انجمن : ۴٠,٠٠٠ ریال
|
خرید مقاله
|
|
.gif){kind=icon}