یک مطالعه اخیر منتشر شده توسط فنومیک گیاه شبکه ویت‌نت را معرفی می‌کند، یک روش پیشرفته که تشخیص دقیق سنبله‌ها در محصولات گندم را طبقه‌بندی کرده است. با افزایش تقاضا برای کشاورزی دقیق، تشخیص دقیق سنبله‌های گندم از طریق فنوتیپ‌زایی برای حداکثر کردن عملکرد محصول ضروری شده است.
اگرچه مدل‌های یادگیری عمیق در این زمینه پیشرفتی کرده‌اند، اما هنوز دست به گیر برای سازگاری با طبیعت پویای رشد گندم، به‌ویژه زمانی که به تنوع رنگ در مراحل مختلف می‌پردازند، دارند. این محدودیت باعث کاهش قابلیت سازگاری و دقت شده است. با این حال، جامعه تحقیقاتی بی‌خردی برای بهبود شبکه‌های عصبی جهت استخراج و طبقه‌بندی بهتر ویژگی‌ها کار کرده‌اند.
مطالعه ارائه شده در فنومیک گیاه، ویت‌نت را به عنوان یک راه‌حل نوآورانه برای تشخیص سنبله‌های گندم کوچک و همچنین جهت‌گیری در تصاویر هوایی از مراحل پر شدن تا رشد کامل مطرح می‌کند. ویت‌نت شبکهٔ تبدیل برای کمینه کردن اختلاف‌های ویژگی‌های رنگ و شبکهٔ تشخیص برای افزایش قابلیت تشخیص را دربرمی‌گیرد. همچنین، این روش یک برچسب گرد لیسه را برای طبقه‌بندی زاویه سنبله‌های گندم معرفی می‌کند و لایهٔ تشخیص در مقیاس میکرو برای استخراج ویژگی‌های کوچک سنبله استفاده می‌کند.
نتایج مطالعه بسیار تحسین‌برانگیز است. ویت‌نت با دقت متوسط ۸۹.۷٪ در تشخیص سنبله‌ها و توصیف دقیق مورفولوژی آن‌ها را به‌دست آورده است. حتی با نرخ بازیابی ۰.۹۵، ویت‌نت با دقت بسیار بالا به‌عنوان روشی متعلق به متدهای دیگر پیش از خود بود. سرعت تشخیص شبکه به ۲۰ فریم در ثانیه بالغ می‌شود و دقت شمارش مناسبی با مقادیر پایین RMSEc، rRMSEc و MAEc دارا می‌باشد.
ویژگی‌های نوآورانه ویت‌نت با چالش‌هایی که مدل‌های تشخیص قبلی با آن روبرو شده‌اند سازگار است. قابلیت کاهش خطاهای تشخیص ناشی از تغییرات ویژگی رنگی بین مراحل، آن را برای کاربردهای میدانی و پیش‌بینی دقیق عملکرد مناسب می‌سازد. علاوه‌براین، ویت‌نت روند شناسایی مراحل چندگانهٔ رشد را با حفظ دقت استثنایی از طریق مدل‌های تشخیص مرحله‌ی تکی سازگار می‌کند.
این پیشرفت در تشخیص سنبله‌ها ما را یک گام نزدیک‌تر به دستیابی به کشاورزی دقیق و حداکثر سازی عملکرد محصول می‌برد. تجربه ویت‌نت در شیوه‌های کشاورزی، قدرت انقلابی در این صنعت را دارد و به افزایش بهره‌وری کلی کمک می‌کند.
The source of the article is from the blog girabetim.com.br