دراسة حديثة نُشرت في مجلة Plant Phenomics تُقدم WheatNet، وهي طريقة متطورة تحدث ثورة في كشف السنابل في محاصيل القمح. مع الطلب المتزايد على الزراعة ذات الدقة، أصبح الكشف الدقيق عن السنابل في القمح من خلال تصوير الظواهر الظاهرية أمرًا حاسمًا لتحقيق أقصى إنتاجية للمحصول.
في حين أظهرت نماذج التعلم العميق وعودًا في هذا المجال، فإنها لا تزال تعاني من الصعوبة في التكيف مع الطبيعة الديناميكية لنمو القمح، خاصةً عند التعامل مع تغايرات الألوان في مراحل مختلفة. أدت هذه القيود إلى تقليل قدرة التكيف والدقة. ومع ذلك، تعمل المجتمع البحثي بلا كلل على تحسين الشبكات العصبية لتحسين استخراج الميزات والتصنيف.
تقدم الدراسة المقدمة في Plant Phenomics WheatNet كحل جديد لاكتشاف السنابل الصغيرة والموجهة في صور الطائرات بدون طيار من مرحلة الملء إلى مرحلة النضوج. يدمج WheatNet شبكة التحويل لتقليل الاختلافات في ميزات الألوان وشبكة الكشف لتعزيز قدرات الكشف. كما يقدم WheatNet طبقة تصنيف دائرية سلسة لتصنيف زوايا السنبلة، بالإضافة إلى طبقة كشف على نطاق صغير لاستخراج ميزات السنابل الصغيرة.
نتائج الدراسة مبهرة. حقق WheatNet دقة متوسطة بنسبة 89.7% في كشف السنابل ووصف الشكل الخارجي للسنابل. حتى عند معدل استرجاع 0.95، تفوق WheatNet الأساليب الأخرى بدقته العالية. بلغت سرعة الكشف للشبكة 20 إطارًا في الثانية، وأظهرت دقة عالية في عملية العد مع قيم منخفضة لرمز الخطأ المربع المتوسط (RMSEc) ورمز الخطأ المربع المطلق المعكوس (rRMSEc) والقيمة المطلقة للخطأ المتوسط (MAEc).
تتناول ميزات WheatNet الرائدة التحديات التي تواجهها النماذج السابقة للاكتشاف. وقدرتها على تقليل أخطاء الكشف الناجمة عن اختلافات ميزات الألوان بين المراحل يجعلها مناسبة للتطبيقات الميدانية والتنبؤ بالمحصول بدقة عالية. علاوة على ذلك، يتجاوز WheatNet النماذج الأخرى للاكتشاف في المراحل الفردية من خلال التكيف مع مراحل النمو المتعددة مع الحفاظ على دقة استثنائية.
يقربنا هذا الاكتشاف المبتكر في كشف السنبلة خطوة واحدة أكثر من تحقيق الزراعة ذات الدقة وتعظيم إنتاجية المحاصيل. إن دمج WheatNet في الممارسات الزراعية لديه القدرة على تحويل الصناعة وتعزيز الإنتاجية العامة.
The source of the article is from the blog elblog.pl