هوش مصنوعی | متن کامل رایگان | تحلیل مقایسه ای تکنیک های یادگیری ماشین با استفاده از تصویربرداری RGB برای تشخیص استرس نیتروژن در ذرت

خلاصه

مدیریت صحیح نیتروژن در محصولات برای اطمینان از رشد بهینه و به حداکثر رساندن عملکرد بسیار مهم است. در حالی که تصاویر فراطیفی اغلب برای تخمین وضعیت نیتروژن در محصولات استفاده می‌شود، به دلیل پیچیدگی و هزینه‌های بالای مرتبط با آن، برای کاربردهای بلادرنگ امکان‌پذیر نیست. بیشتر تحقیقاتی که از داده‌های RGB برای تشخیص تنش نیتروژن در گیاهان استفاده می‌کنند، به مجموعه داده‌های به‌دست‌آمده در تنظیمات آزمایشگاهی متکی است که کاربرد آن را در کاربردهای عملی محدود می‌کند. این مطالعه بر شناسایی کمبود نیتروژن در محصولات ذرت با استفاده از داده‌های تصویربرداری RGB از مجموعه داده‌های در دسترس عموم به‌دست‌آمده در شرایط مزرعه متمرکز است. ما یک مدل ترانسفورماتور بینایی سفارشی برای طبقه‌بندی ذرت به سه کلاس تنش پیشنهاد کرده‌ایم. علاوه بر این، ما عملکرد مدل‌های شبکه عصبی کانولوشن، از جمله ResNet50، EfficientNetB0، InceptionV3، و DenseNet121 را برای تخمین تنش نیتروژن تجزیه و تحلیل کرده‌ایم. رویکرد ما شامل انتقال یادگیری با تنظیم دقیق، افزودن لایه‌های متناسب با کاربرد خاص ما است. تجزیه و تحلیل دقیق ما نشان می‌دهد که در حالی که مدل‌های ترانسفورماتور بینایی به خوبی تعمیم می‌یابند، آنها پیش از موعد با مقدار تلفات بالاتر همگرا می‌شوند، که نشان‌دهنده نیاز به بهینه‌سازی بیشتر است. در مقابل، مدل‌های CNN با تنظیم دقیق محصول را به کلاس‌های تحت تنش، بدون تنش و نیمه تنش با دقت بالاتر طبقه‌بندی می‌کنند و حداکثر دقت ۹۷٪ را با EfficientNetB0 به عنوان مدل پایه به دست می‌آورند. این باعث می‌شود که مدل EfficientNetB0 دقیق تنظیم‌شده ما کاندیدای مناسبی برای کاربردهای عملی در تشخیص تنش نیتروژن باشد.