مطالعهای اخیر با عنوان “شبکه بمنظور نظارت چند مقیاس برای شمارش ماسههای ذرت در محیط طبیعی” یک رویکرد نوین یادگیری عمیق برای شمارش ماسههای ذرت معرفی کرده است. این تکنیک، که به عنوان شبکه تقویت توجه چند مقیاس (“MLAENet”) شناخته میشود، از هماهنگ شدن اطلاعات سطح نقطهای برای تولید نقشه چگالی در مقیاسهای مختلف استفاده میکند. این تکنیک شامل ماژولهای استخراج ویژگی، استراتژی توجه و یک تکنیک نوآورانه برای افزایش کیفیت نقشههای چگالی استفاده میشود.
MLAENet به طور جامع در دو مجموعه داده عمومی آزمایش شده و نتایج بسیار موفقیتآمیزی را به ارمغان آورده است. در مقایسه با روشهای موجود، این روش در دقت شمارش و سرعت استنتاج بهتر عمل میکند، حتی در مواجهه با چالشهایی مانند تنوع اندازه ذرت و پس زمینههای پیچیده. این تکنیک نوین تعادل مناسبی بین سرعت و دقت را برقرار میکند و به طور استثنایی مناسب برای برنامههای زمان واقعی است، که در چشمانداز فناوری کشاورزی پیشرفته امروزی بسیار حائز اهمیت است.
تیم پژوهشی پشت MLAENet در آزمایشهای خود از ترکیبی از PyTorch، CUDA و تجهیزات NVIDIA استفاده کردهاند. آنها همچنین از تکنیکهایی مانند فیلترینگ گاوسی و تعیین پارامترهای تطبیقی استفاده کردهاند تا عملکرد را بهبود بخشند. دقت مدل با استفاده از معیارهایی مانند خطای میانگین مطلق (MAE)، خطای میانگین مربعاتی (RMSE)، ضریب همبستگی (R) و خطای درصدی مطلق متقارن (SMAPE) ارزیابی شده است. به طور قابل توجهی، مدل دقت و استحکام بالایی را نشان داده و به خصوص در صحنههایی با مقیاسهای متغیر عملکرد عالی داشته است.
این مطالعه نوآورانه در مجله معتبر’Phenomics گیاهان’ در اکتبر 2023 منتشر شد. این تحقیق مشترک بین پژوهشگران از دانشگاه جنگلداری نانجینگ، دانشگاه وارویک و دانشگاه کشاورزی نانجینگ صورت گرفته است. دکتر مربوطه Xijian Fan از دانشگاه جنگلداری نانجینگ، که یک متخصص مورد احترام در پردازش تصویر، بینایی ماشین و تشخیص الگو است، نقش مهمی در رهبری این تحقیقات نوآورانه داشته است.
توسعه MLAENet نشانگر پیشرفت قابل توجهی در فناوری شمارش محصولات کشاورزی میباشد. با قابلیتهای پیشرفته و عملکرد استثنایی خود، این تکنیک یادگیری عمیق در حال بهبود روش شمارش ماسههای ذرت است و امکانات جدیدی را برای کشاورزی دقیق و مدیریت محصولات فراهم میکند.
The source of the article is from the blog tvbzorg.com