بخشی از مقاله
چکیده
کشاورزی پایدار یکی از هفده اهداف توسعه پایدار سازمان ملل است. یکی از موانع اصلی دلسردکننده کشاورزان در رشد محصوالت کار خستهکننده حذف علفهرز است که هزینههای قابل توجهی را برای کشت محصول ایجاد میکند. در حال حاضر، تاثیر مخرب آفات و علفهای هرز به محصوالت کشاورزی جهان بیش از 40% در هرسال میباشد و این درصد از تلفات در سالهای آتی میزان قابل توجهی افزایش خواهد یافت، شیوههای معمول کنترل علفهای هرز شامل اسپری مواد شیمیایی - علفکش - در سرتاسر زمین کشاورزی میباشد.
متاسفانه استفاده بیش از حد مواد شیمیایی مشکالت جدی مربوط به آلودگی آب، خطرات بهداشتی برای مصرفکنندگان محصوالت کشاورزی،کاهش تنوع زیستی و خطر توسعه علفهای هرز مقاوم به علفکش است. هدف اصلی کاهش وابستگی به مواد شیمیایی مانند علفکشها یا آفتکشها به علت اثراتی که در باال ذکر کردیم است.
هدف ما در این مقاله استفاده از روش مشهور تشخیص ناهنجاری آشکارساز رید شیاولی - RXD - برای شناسایی علفهرز به عنوان یک ناهنجاری در تصویر میباشد. به منظور بهبود خروجی نهایی و بدست آمدن یک طبقهبندی دو کالس یعنی کالس اول کالس علفهرز و کالس دوم کالس خاک، محصول و مابقی از یک شبکه عصبی آموزش استفاده کردهایم. همچنین برای ارزیابی عددی از منحنی ROC و ارزیابی بصری استفاده نمودهایم و پایینترین دقت ۶۳.۹۹% برای قطعه ۶ و باالترین دقت %۵۶.۹۹ برای قطعه ۱ دست یافتهایم.
-1 مقدمه
کشاورزی پایدار یکی از هفده اهداف توسعه پایدار سازمان ملل است .[1] یکی از موانع اصلی و دلسردکننده کشاورزان که در رشد محصوالت تاثیر میگذارد و همچنین هزینههای قابل توجهی را برای کشت محصول ایجاد میکند، کار خستهکننده حذف علفهرز میباشد.
در حال حاضر، تاثیر مخرب آفات و علفهای هرز به محصوالت کشاورزی جهان بیش از ۰۴% در هرسال میباشد و این درصد از تلفات در سالهای آتی میزان قابل توجهی افزایش خواهد یافت .
شیوههای معمول کنترل علفهای هرز شامل اسپری مواد شیمیایی - علفکش - در سرتاسر زمین کشاورزی میباشد .[4] متاسفانه استفاده بیش از حد مواد شیمیایی مشکالت جدی مربوط به آلودگی آب، خطرات بهداشتی برای مصرفکنندگان محصوالت کشاورزی،کاهش تنوع زیستی و خطر توسعه علفهای هرز مقاوم به علفکش است .[5] هدف اصلی کاهش وابستگی به مواد شیمیایی مانند علفکشها یا آفتکشها به علت اثراتی که1 در باال ذکر کردیم2 است .
برای رسیدن به این هدف، یک راه شامل مدیریت علفهای هرز میباشد.در سالهای اخیر از طریق رباتها برای درمانهای انتخابی - درمان زمین کشاورزی در مکانهایی که علفهرز وجود دارد - استفاده میکنند. یک پیشنیاز حیاتی برای درمان علفهرز استفاده از یک سیستم طبقهبندی گیاهی که محصوالت و علفهای هرز از هم جداسازد تا تراکتورهای هوشمند بتوانند توانایی درمان علفهرز بدست آورند .
در سالهای اخیر تصاویری که توسط سکوهای بدون سرنشین - پهپاد - 3 اخذ شدهاند، مناسب بودن این تصاویر برای تشخیص علفهای هرز در محصوالت کشاورزی ثابت شده است.[10,11,12] این قابلیت در موارد چالش برانگیز مانند تشخیص علفهای هرز در فصل زراعی زمانی که گیاهان کوچک محصوالت و علفهای هرز دارای تشابه طیفی باالیی هستند، تاثیر بسزایی دارد. با توجه به قابلیتهای این تصاویر ما از یک داده از نوع پهپاد برای کار بررسی و کشف علف هرز استفاده کردیم.
گورکان لکمنو4 همکارش گری ییلماز[15]5 درسال 2014 یک روش جدید برای تشخیص ناهنجاری و شناسایی هدف ارائه کردند. در مقاله ذکر شده از داده فراطیفی اوریس و دوشبکه عصبی برای تشخیص ناهنجاری و شناسایی آن به عنوان هدف استفاده نمودهاند. سجاد سبزی 6 و همکارانش [16] در سال 2018 یک سیستم سریع و با دقت برای شناسایی علفهرز در محصوالت سیبزمینی در منطقه کرمانشاه نگارش کردند؛ در این سیستم برای بهبود نتایج طبقهبندی دو دسته محصول و علفهرز از یک شبکه عصبی آموزشداده برای کار استفاده نمودند.
افرودیتی الکساندرا 7 و همکاران [17] در سال 2018 توانستهاند با استفاده از شبکه عصبی چند الیه طیف بیماری در علفهای هرز شناسایی کنند. ژان نول پاولی8و همکارانش [18] در سال با یک الگوریتم طبقهبندی بدون نظارت و با تکیه بر اطالعات مکانی توانستهاند علفهرز در فصلهای اولیه تشخیص دهند.
هدف ما در این مقاله استفاده از روش متداول تشخیص ناهنجاری آشکارساز رید شیاولی - RXD - 9 برای شناسایی علفهرز به عنوان یک ناهنجاری در تصویر میباشد. به منظور بهبود خروجی نهایی و بدست آمدن یک طبقهبندی دو کالس یعنی کالس اول کالس علفهرز و کالس دوم کالس خاک، محصول و مابقی از یک شبکه عصبی آموزش استفاده کردهایم. بخشهای آتی این تحقیق به صورت ذیل است. بخش دوم، به بررسی روش پیشنهادی میپردازیم. بخش سوم، یک توضیح مختصر در مورد داده اصلی خواهیم داد. بخش چهارم، به بررسی پیادهسازی الگوریتم و نتایج حاصل از آن میپردازد. بخش پنجم، در این نتایج و خروجی بدست آمده از الگوریتم را تحلیل خواهیم کرد. بخش ششم، بخش نتیجهگیری است.
-2 روش پیشنهادی
روش پیشنهادی ما همانطور که در شکل - ۲ - مشخص است متشکل شده از پنج مرحله میباشد. مرحله اول اخذ داده توسط پهپاد است به علت حجم باالی تصویر اصلی از این تصویر ۸ قطعه به عنوان نمونه برای ارزیابی روش پیشنهادی جدا کردیم در بخش بیشتر در مورد داده صحبت خواهیم کرد.
-2-1 پیش پردازش
مرحله دوم مرحلهی پیش پردازش میباشد پیش نیاز استفاده از الگوریتم تشخیص ناهنجاری و خیلی از روشهای طبقهبندی این است که داده شما شده باشد به همین منظور باید قبل از اجرای روش پیشنهادی در این مرحله ۸ قطعه را توسط رابطه - ۱ - نرمالسازی کنیم این روش با استفاده از میانگین و انحراف معیار عمل نرمالسازی برای هر قطعه تصویر انجام میدهد.
در رابطه باال قطعههای تصویر میباشد، میانگین کلی هر قطعه و انحراف معیار کلی هر قطعه میباشد به این روش نرمال سازی ، روش نرمال سازی آماری هم میگویند
-2-2 تشخیص ناهنجاری
مرحله سوم که بالفاصله بعد از مرحله پیشپردازش است اولین مرحله مهم روش پیشنهادی ماست؛ در این مرحله ۸
قطعه نرمال شده به الگوریتم تشخیص ناهنجاری رید شیاولی - - RX میکنیم. چانگ چین 0و همکارانش [20] در سال 1 1 2002 برای اولین بار الگوریتم RXD ارئه نمودند. الگوریتم تشخیص ناهنجاری RX از الگوریتم RXD برای تشخیص اختالف طیفی یا رنگی بین منطقه مورد آزمایش و پیکسل های همسایه آن یا کل تصویر استفاده می کند. این الگوریتم
هدف هایی را استخراج می کند که از نقطه نظر طیفی با پس زمینه متمایز باشند. ما یک الگوریتم استاندارد RXD را اجرا که فرمول آن در رابطه - ۲ - مشخص است:
-2-3 شبکه عصبی
مرحله چهارم مهم یکی از مراحل مهم روش ماست میتوان اسم این مرحله را مرحله شبکه عصبی نامید. شبکه عصبی به عنوان یک موضوع روز برای طبقهبندی تصاویر، که احتماال برای تشخیص ناهنجاری و شناخت هدف مورد استفاده قرار می گیرد
دو الگوریتم شبکه عصبی که به صورت گسترده برای تصاویر استفاده میشوند: شبکه عصبی انتشار اولیه و شبکه عصبی بافت شعای. شبکه عصبی انتشار اولیه به دلیل سادگی، ظرفیت های قوی و ساده در استفاده محبوب-ترین شبکه عصبی است .
این شبکه شامل سه الیه است: الیه ورودی، الیه پنهان و الیه خروجی و نورون ها درالیه-های مجاور به وسلیه وزن خاصی به هم متصل میشوند
ساختار این شبکه در شکل - ۱ - نشان داده شده است. ما از یک شبکه عصبی آموزشداده شده برای بهبود نتایج استفاده کردیم خروجیهای الگوریتم RXD به یک شبکه عصبی آموزش داده میدهیم و حاصل این شبکه عصبی یک تصویر میباشد.
شکل۱: شبکه عصبی انتشار اولیه
