دسته‌بندي تصاوير برگ ارقام مختلف گياهچه‌ي سيب‌زميني برپايه‌ي يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

برق

كارشناسي ارشد

تشخيص گونه‌ها‌ي گياهان مسئله‌اي است كه از ديرباز تا به امروز توسط روش‌هاي مختلف بررسي شده‌‌است. علاوه بر اين هر گونه‌ي گياهي خود به ارقام (زيرگونه‌ها) مختلف دسته‌بندي مي‌شوند. با توجه به اينكه ارقام مختلف از يك گونه گياهي، هم خانواده هستند، شباهت زيادي به يكديگر دارند و تشخيص ارقام بسيار سخت‌تر از تشخيص گونه‌ها است. به همين دليل در پژوهش‌هاي اخير مسئله‌ي تشخيص ارقام همچنان يكي از مسائل مورد توجه است. در اين پژوهش به طور خاص تشخيص ارقام مختلف گياهچه‌ي سيب‌زميني بررسي مي‌شود. هر رقم از اين گياهچه‌ها، از شرايط كشت تا نوع مصرف، با ساير ارقام متفاوت است، بنابراين از اولين مرحله‌ي توليد و تكثير بذر تا توليد محصول در مزارع سراسر كشور، بايد ارقام گياهچه‌هاي سيب‌زميني مشخص وقابل تفكيك باشند، در غير اين صورت ممكن است به توليدكنندگان بذر و مزرعه‌داران خسارت وارد شود. ابتدا مجموعه داده‌اي از تصاوير برگ ارقام مختلف گياهچه‌ي سيب‌زميني تهيه كرديم. اين مجموعه داده شامل برگ‌هاي مركب گياهچه‌‌ي سيب‌زميني و نيز برگچه‌هاي رأس آن مي‌شوند. همچنين تصويربرداري از دو سمت پشت و روي همه‌ي برگ‌ها انجام گرفته است. با توجه به اينكه فرايند جمع‌آوري داده، فرايندي زمان‌بر و پرهزينه است، مجموعه داده‌ي تهيه شده براي استفاده از يادگيري عميق، اندك است، به همين علت روش‌هاي پيشنهادي در اين پژوهش بر اساس يادگيري با داده‌ي اندك بنا نهاده شده‌است. براي بررسي دقيق‌تر، مجموعه داده‌ها‌ را بر اساس تعداد نمونه‌هاي هر دسته، در دو طبقه‌ي اندك و بسيار اندك طبقه‌بندي كرديم. مجموعه داده‌هاي اندك شامل 6 رقم است كه بين 24 تا 75 نمونه برگ براي هر رقم تهيه شده‌است و مجموعه داده‌‌ي بسيار اندك شامل 19 رقم است كه شامل 10 تا 12 نمونه برگ براي هر رقم مي‌شود. در اين پژوهش دو روش پيشنهادي ارائه شده است. روش اول مبتني بر افزون‌سازي داده‌ها به همراه يادگيري انتقالي است. در اين روش با بررسي عملكرد مدل‌هاي مختلف شبكه‌هاي عصبي پيچشي از پيش آموزش ديده‌، بهترين آن‌ها را براي مجموعه داده‌هاي مدنظر خود انتخاب كرده و با يك روش تنظيم دقيق، دقت عملكرد آن‌ها را بهبود داديم. روش دوم يك توسعه از روش اول است كه در آن نسبت به روش اول، علاوه بر استفاده از معماري كارآمد، مراحل خودكارسازي با الگوريتم NAS و كوانتيزه‌‌سازي نيز اضافه شده است تا نتيجه‌ي آن ايجاد يك مدل كارآمد باشد، به اين معني كه مدل نهايي علاوه بر دقت بالا در دسته‌بندي ارقام، حجم حافظه‌اي و بار محاسباتي كمي داشته باشد تا زمان اجرا و هزينه‌ي استنتاج كاهش يابد. اين مزيت با توجه به كاربردي بودن مسئله‌ي تشخيص ارقام، براي استفاده در دستگاه‌هاي تعبيه شده و تلفن همراه، يك امتياز مثبت محسوب مي‌شود. در بررسي نتايج مشخص گرديد كه دسته‌بندي ارقام با استفاده از تصاوير پشت برگ‌ها با دقت بهتر صورت مي‌پذيرد. همچنين بهترين نتايج براي مجموعه داده‌‌هاي متشكل از برگ‌هاي مركب و با استفاده از روش پيشنهادي دوم حاصل شده‌است. اين نتايج براي دسته‌بندي ارقام مجموعه داده‌ي اندك از تصاوير پشت برگ مركب با دقت 100 درصد و براي مجموعه داده‌ي بسيار اندك از تصاوير پشت برگ مركب با دقت 47/89 بدست آمده‌است. روش برتر را با توجه به مراحل اصلي آن تحت عنوان روش يادگيري انتقالي خودكار كارآمد نام نهاديم.

227666

مخابرات-سيستم

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان