زهرا دالوند

هدف از استخراج اطلاعات مرزی، ایجاد پایگاه اطلاعات زمین های کشاورزی است. با داشتن این معلومات می توان میزان مصرف آب و برداشت محصول را تخمین زد و هدایت ماشین آلات کشاورزی را خودکار نمود. برداشت میدانی مرز زمین ها زمان بر و پرهزینه است و برای این کار می توان روش های سنجش از دوری را مورد استفاده قرار داد. اما ترسیم دستی مرز زمین های کشاورزی از روی تصاویر سنجش از دوری، همچنان دشوار است. بنابراین استفاده از روش های خودکار راه حل مناسبی به نظر می رسد. این روش ها را می توان به دو دسته روش های مرسوم پردازش تصویر و روش های مبتنی بر یادگیری ماشین طبقه بندی کرد. روش های مرسوم پردازش تصویر مانند تشخیص لبه، مشکلاتی چون موقعیت یابی نادرست و دقت تشخیص ضعیف دارند. بنابراین محققان الگوریتم های تشخیص لبه نوین را بر اساس یادگیری عمیق، پیشنهاد نموده اند. شبکه های عصبی پیچشی ازجمله آن ها هستند که در این پژوهش به کار رفته اند. برای پیاده سازی روش پیشنهادی، از زبان برنامه نویسی پایتون نسخه 3.11 در چارچوب کتابخانه keras استفاده شد. یکی از مشکلات استفاده از شبکه های عصبی پیچشی، کمبود مجموعه داده آموزشی مناسب است. در پژوهش حاضر برای حل این مشکل، از فنون انتقال یادگیری و تنظیم دقیق استفاده شد. مجموعه داده دسترسی آزاد فرانسه در کنار سه مجموعه داده همدان، بهار و خرسان، برای آموزش شبکه های عصبی پیچشی به کار رفت. هشت سناریوی آزمایشی طراحی شد. پنج مورد از آن ها با تنظیم دقیق و سه مورد دیگر بدون تنظیم دقیق انجام گرفت. همچنین پنج حالت معماری مختلف از شبکه U-Net با شبکه های پایه مختلف پیاده سازی شد. برای ارزیابی عملکرد، معیارهای Dice Score، IoU، Accuracy، Recall و F1-Score محاسبه شدند. در پایان مشخص شد انتقال یادگیری و تنظیم دقیق، روشی برای جبران کمبود داده های آموزشی و افزایش دقت هستند. در این پژوهش دقت عملکرد سناریوی سوم آزمایش،0.73T  در معیارIoU بود. وقتی همین سناریو با استفاده از تنظیم دقیق انجام شد، دقت آن 0.14 بهبود یافت و به 0.87 رسید. همچنین مکانیسم Attention در ترکیب با معماری های شبکه عصبی، دقت استخراج مرز را بهبود داد.