آمار

تعداد نشریات13
تعداد شماره‌ها238
تعداد مقالات2,416
تعداد مشاهده مقاله3,956,468
تعداد دریافت فایل اصل مقاله2,869,777
بروشان, کیارش, بهزادی, سعید. (1402). آشکارسازی نشاء برنج در تصویر پهپاد با استفاده از شبکه DenseNet. فناوری آموزش, 1(2), 217-226. doi: 10.22061/jrsgr.2023.2020
کیارش بروشان; سعید بهزادی. "آشکارسازی نشاء برنج در تصویر پهپاد با استفاده از شبکه DenseNet". فناوری آموزش, 1, 2, 1402, 217-226. doi: 10.22061/jrsgr.2023.2020
بروشان, کیارش, بهزادی, سعید. (1402). 'آشکارسازی نشاء برنج در تصویر پهپاد با استفاده از شبکه DenseNet', فناوری آموزش, 1(2), pp. 217-226. doi: 10.22061/jrsgr.2023.2020
بروشان, کیارش, بهزادی, سعید. آشکارسازی نشاء برنج در تصویر پهپاد با استفاده از شبکه DenseNet. فناوری آموزش, 1402; 1(2): 217-226. doi: 10.22061/jrsgr.2023.2020

آشکارسازی نشاء برنج در تصویر پهپاد با استفاده از شبکه DenseNet

پژوهش های سنجش از دور و اطلاعات مکانی
دوره 1، شماره 2، تیر 1402، صفحه 217-226    اصل مقاله (1.24 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2023.2020
نویسندگان
کیارش بروشان1؛ سعید بهزادی* 2
1گروه سنجش ‌از‌دور و سیستم اطلاعات مکانی،‌ دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد- واحد علوم و تحقیقات، تهران، ایران
2گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران
تاریخ دریافت: 27 خرداد 1402،  تاریخ بازنگری: 16 مرداد 1402،  تاریخ پذیرش: 12 شهریور 1402 
چکیده
پیشینه و اهداف: برنج به عنوان یک محصول استراتژیک در زمینه امنیت غذایی نه تنها در اقتصاد کلان جوامع بلکه در جایگاه جهانی نیز جایگاه ویژه‌ای دارد. اهمیت این محصول در تأمین نیازهای غذایی جمعیت و نقش آن در تحقق امنیت غذایی، اهمیت جدی و چشم‌گیری به آن اختصاص داده است. در این راستا، جمع‌آوری دقیق و به‌روز اطلاعات از وضعیت مزارع برنج، به ویژه اطلاعات مرتبط با کمیت و کیفیت محصولات، امری بسیار حیاتی و اساسی است. استفاده از تکنولوژی‌های سنجش از دور در این زمینه به‌عنوان یک راهکار کارآمد و موثر مطرح شده است. این تکنولوژی‌ها امکان جمع‌آوری اطلاعات پایشی از مزارع را با کمترین هزینه و در مناطق گسترده‌تر فراهم می‌آورند. از جمله این تکنولوژی‌ها، پهپادها به‌خاطر توانایی بهتر در تفکیک مکانی و دقت بالاتر در انجام پایش‌های مختلف نسبت به ماهواره‌ها، از مزایای نسبی برخوردارند. تحقیق حاضر از یک رویکرد پیشرفته به نام یادگیری عمیق استفاده می‌نماید تا به منظور تخمین سطح زیر کشت برنج نشاء یا نهال از تصاویر RGB گرفته شده از پهپادها در منطقه ووفنگ استان تایچانگ کشور تایوان، اقدام نماید. این روش از توانمندی‌های شبکه‌های عصبی عمیق به‌عنوان یک ابزار موثر برای تحلیل داده‌های پیچیده بهره‌مند شده و به دقت بالایی در تفکیک انواع مختلف سطح زیر کشت نشاء یا نهال برنج دست یافته است.
روش‌ها‌: در این تحقیق، از یکی از روش‌های پیشرفته یادگیری عمیق به نام DenseNet برای مدل‌سازی و پیش‌بینی سطح زیر کشت برنج نشاء یا نهال در تصاویر RGB گرفته شده از پهپادها استفاده شده است. این روش به وسیله الگوریتم‌های پیچیده و مجموعه‌ای از لایه‌های پردازشی، قابلیت استخراج مفاهیم انتزاعی سطح بالا را از داده‌ها دارد. یکی از ویژگی‌های منحصر به فرد DenseNet این است که از الگوریتم لایه به لایه (Layer-to-Layer) به جای رویکردهای سنتی که از ادغام لایه‌ها (layer concatenation) استفاده می‌کنند، بهره‌می‌برد. در این الگوریتم، هر لایه مستقل از سایر لایه‌ها کار می‌کند و به لایه‌های قبلی متصل می‌شود، که باعث کاهش تعداد وزن‌ها و پارامترها و همچنین افزایش کارایی شبکه می‌شود. استفاده از قابلیت یادگیری عمیق برای پردازش به‌هنگام داده‌ها به صورت فوری پس از اخذ تصاویر نشان‌دهنده‌ی قابلیت پویای DenseNet در پردازش اطلاعات به‌سرعت و با دقت بالا است. این امکان به ما این اجازه را می‌دهد که در زمان واقعی به تحلیل و پیش‌بینی سطح زیر کشت برنج نشاء یا نهال پرداخته و اطلاعات مورد نیاز برای اداره بهینه مزارع را بدست آوریم.
یافته‌ها: نتایج به‌دست‌آمده از این تحقیق، تأییدگر دقت بسیار بالای 99.8 درصد را بر روی داده‌های اعتبارسنجی نشان می‌دهد. این درصد بسیار بالا نشان‌دهنده‌ی توانایی فوق‌العاده روش یادگیری عمیق DenseNet در تخمین دقیق سطح زیرکشت برنج نشاء یا نهال می‌باشد. این دقت بالا نه تنها نشان‌دهنده‌ی عملکرد بسیار خوب مدل در شناسایی و پیش‌بینی میزان کاشت برنج، بلکه اطمینان بخش بوده و به کاربران اعتماد می‌بخشد. مدل ارائه‌شده توانسته است با دقت بسیار بالا به تشخیص و ارزیابی سطح زیر کشت برنج نشاء یا نهال بپردازد. این امر در عمل به کشاورزان و مدیران مزارع ابزاری ارزشمند ارائه می‌دهد تا به‌صورت دقیق‌تر و سریع‌تر از وضعیت مزرعه خود آگاه شوند و تصمیم‌گیری‌های بهتری در مدیریت کشت و بهره‌وری انجام دهند.
نتیجه‌گیری: در مجموع، این تحقیق نشان می‌دهد که استفاده از پهپادها به همراه روش‌های یادگیری عمیق، به منظور تخمین سطح زیرکشت برنج نشاء یا نهال با دقت بالا، در مناطقی چون ووفنگ استان تایچانگ تایوان، امکان‌پذیر است. این ارتقاء در تکنولوژی پایش می‌تواند به مدیران ذی‌ربط در امور کشاورزی و امنیت غذایی کمک زیادی کند.
کلیدواژه‌ها
آشکارسازی؛ پهپاد؛ سنجش از دور؛ شبکه DenseNet؛ نشاء برنج؛ یادگیری عمیق
عنوان مقاله [English]
Detection of Rice Seedlings in UAV Image Using DenseNet Network
نویسندگان [English]
K. Borooshan1؛ S. Behzadi2
1Department of GIS and Remote Sensing, Faculty of Natural Resources and Environment, Islamic Azad University-Science and Research Branch, Tehran, Iran
2Department of Surveying Engineering, Faculty of Civil Engineering, Shahid Rajaee Teacher Training University, Tehran, Iran
چکیده [English]
Background and Objectives: Rice, recognized as a strategic product for food security, holds a significant position not only in national economies but also globally. The importance of rice in meeting the dietary needs of populations and its role in achieving food security have led to a serious and substantial emphasis on this staple crop. In this regard, accurate and up-to-date data collection on the status of rice fields, especially information related to the quantity and quality of products, is crucial. Remote sensing technologies have been proposed as an efficient and effective solution in this context, enabling cost-effective data collection over extensive areas. Among these technologies, drones, due to their superior spatial resolution and higher precision in various monitoring tasks compared to satellites, offer relative advantages. This research employs an advanced approach called deep learning to estimate the cultivation area of rice seedlings or seedbeds using RGB images captured by drones in the Wufeng region of Taichung Province, Taiwan. The method leverages the capabilities of deep neural networks as an effective tool for analyzing complex data, achieving high accuracy in distinguishing various types of rice seedling or seedbed cultivation areas.
Methods: In this study, an advanced deep learning technique called DenseNet is employed for modeling and predicting the rice seedling or seedbed cultivation area in RGB images taken by drones. This method, utilizing complex algorithms and a set of processing layers, can extract high-level abstract concepts from the data. One unique feature of DenseNet is its use of a layer-to-layer algorithm instead of traditional layer concatenation approaches, resulting in reduced weights and parameters, as well as increased network efficiency. The ability of deep learning to process data in real-time immediately after image acquisition demonstrates the dynamic potential of DenseNet in quickly and accurately processing information. This capability allows real-time analysis and prediction of the rice seedling or seedbed cultivation area, providing the necessary information for optimal farm management.
Findings: The results obtained from this research demonstrate a confirmation of an accuracy exceeding 99.8% on validation data. This exceptionally high percentage indicates the remarkable capability of the DenseNet deep learning method in accurately estimating the cultivation area of rice seedlings or seedbeds. This high accuracy not only showcases the excellent performance of the model in identifying and predicting the rice cultivation area but also instills confidence in users. The presented model has successfully achieved precise detection and assessment of the rice seedling or seedbed cultivation area. This practical application provides valuable tools for farmers and farm managers to gain more accurate and timely awareness of their farm's status, facilitating better decision-making in cultivation and productivity.
Conclusion: This study convincingly shows the viability of employing drones in conjunction with sophisticated deep learning techniques for accurately estimating the cultivation area of rice seedlings or seedbeds. This approach proves feasible, especially in geographical areas similar to Wufeng in Taichung Province, Taiwan. The integration of drones and deep learning represents a notable technological leap in monitoring capabilities, offering substantial assistance to pertinent authorities involved in agricultural management and ensuring food security.
کلیدواژه‌ها [English]
Deep Learning, DenseNet Network, Detection, Rice Seedlings, Remote SENSING, UAV
مراجع
[1] Tri NC, Van Hoai T, Duong HN, Trong NT, Van Vinh V, Snasel V, editors. A novel framework based on deep learning and unmanned aerial vehicles to assess the quality of rice fields. Advances in Information and Communication Technology: Proceedings of the International Conference, ICTA 2016; 2017: Springer.

[2] Norouzi E, Behzadi S. Evaluating machine learning methods and satellite images to estimate combined climatic indices. International Journal of Numerical Methods in Civil Engineering. 2019;4(1):30-8.

https://doi.org/10.52547/nmce.4.1.30

[3] Mirzapour S, Alemi Safaval P, Karimi S, Behzadi S, Kheirkhah Zarkesh M, Zavar H, et al. Identification and Separation of Rice Fields Using Remote Sensing. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2023;10:509-14.

 https://doi.org/10.5194/isprs-annals-X-4-W1-2022-509-2023

[4] Yang Q, Shi L, Han J, Yu J, Huang K. A near real-time deep learning approach for detecting rice phenology based on UAV images. Agricultural and Forest Meteorology. 2020;287:107938.

http://dx.doi.org/10.1016/j.agrformet.2020.107938

[5] Jalilzadeh A, Behzadi S. Machine learning method for predicting the depth of shallow lakes using multi-band remote sensing images. Journal of Soft Computing in Civil Engineering. 2019;3(2):54-64.

https://doi.org/10.22115/scce.2019.196533.1119

[6] Norouzi E, Behzadi S. The Feasibility of Machine-learning Methods to Extract the Surface Evaporation Quantity using Satellite Imagery. Journal of Electrical and Computer Engineering Innovations (JECEI). 2021;9(2):229-38.

https://doi.org/10.22061/jecei.2021.7563.406

[7] Jafarian H, Behzadi S. Evaluation of PM2. 5 emissions in Tehran by means of remote sensing and regression models. Pollution. 2020;6(3):521-9.

DOI: 10.22059/poll.2020.292065.706

[8] Alizadeh H, Kheirkhah M, Abkar A, Dashti-Ahangar A. Monitoring rice paddy phenology using time series images of MODIS sensor of TERRA satellite. Geimatic Conference, 2013, Tehran, Iran. In Persian.

[9] Verma D, Singh AN, Kalubarme MH, Saroha GP, Sharma R, Brajendra. Varietal discrimination, acreage estimation and yield prediction of basmati aromatic rice in north-western India using satellite data. In: Remote Sensing of Agriculture and Land Cover/Land Use Changes in South and Southeast Asian Countries. 2022. p. 163–86.

DOI:10.1007/978-3-030-92365-5_9

[10] Riahi V, Zeaiean Firouzabadi P, Azizpour F, Darouei P. Identification and investigation of the area under cultivation in Lenjanat using Landsat 8 satellite images TT. jgs. 2019 Mar 1;19(52):147–69. In Persian.

DOI: 10.29252/jgs.19.52.147

[11] Chatrsimab Z, Alesheikh AA, Voosoghi B, Behzadi S, Modiri M, editors. Development of a Land Subsidence Forecasting Model Using Small Baseline Subset—Differential Synthetic Aperture Radar Interferometry and Particle Swarm Optimization—Random Forest (Case Study: Tehran-Karaj-Shahriyar Aquifer, Iran). Dokl Earth Sci; 2020: Springer.

https://ui.adsabs.harvard.edu/link_gateway/2020DokES.494..718C/doi:10.1134/S1028334X20090056

[12] Kamkar B, Dashtimarvili M, Kazemi H. Detection of rice and soybean grown fields and their related cultivation area using Sentinel-2 satellite images in summer cropping patterns to analyze temporal changes in their cultivation area (Case study: four watershed basins of Golestan Province). J Water Soil Conserv. 2019;26(1):151–67. In Persian.

DOI: 10.22069/JWSC.2019.15246.3044

[13] Sadooghi L, Homaee M, Noroozi A, Asadi Kapourchal S. Estimating rice yield using VSM model and satellite images in Guilan province. Cereal Res. 2017;6(3):397–410. In Persian.

DOR: 20.1001.1.22520163.1395.6.3.10.2

[14] Amiri E. Application of satellite imagery and remote sensing technology to estimate rice yield. J Water Soil Resour Conserv. 2018;7(3):55–69. In Persian.

DOR: 20.1001.1.22517480.1397.7.3.4.2

[15] Shiravand H, Khaledi S, Behzadi S, Sanjabi, H. Monitoring and Assessing the Changes in the Coverage and Decline of Oak Forests in Lorestan Province using Satellite Images and BFAST Model. Journal of Applied researches in Geographical Sciences. 2020;20(57):265-80.

DOI: 10.29252/jgs.20.57.265

[16] Golpour I, Amiri Parian J, Amiri Chayjan R, Khazaei J. Recognition of Paddy, Brown Rice and White Rice Cultivars Based on Textural Features of Images and Artificial Neural Network. J Agric Mach. 2015;5(1):73–81.

https://doi.org/10.22067/jam.v5i1.21550

[17] Jafari sayadi  fatemeh, Gholami Sefidkouhi MA, ziyaeetabar ahmadi  mirkahlegh. Leaf Area Index and Crop Coefficient Estimation from Operational Land Imager (OLI) Sensor Data. J Water Res Agric. 2018;32(3):395–404.

https://doi.org/10.22092/jwra.2018.117797

[18] Yang M-D, Tseng H-H, Hsu Y-C, Tsai HP. Semantic segmentation using deep learning with vegetation indices for rice lodging identification in multi-date UAV visible images. Remote Sensing. 2020;12(4):633.

https://doi.org/10.3390/rs12040633

[19] Mahjoobi M, Behzadi S. Solar desalination site selection on the Caspian Sea coast using AHP and fuzzy logic methods. Modeling Earth Systems and Environment. 2022:1-9.

https://doi.org/10.1007/s40808-022-01418-2

[20] Yang Q, Shi L, Han J, Zha Y, Zhu P. Deep convolutional neural networks for rice grain yield estimation at the ripening stage using UAV-based remotely sensed images. Field Crops Res. 2019;235:142-53.

DOI: 10.1016/j.fcr.2019.02.022

[21] Jalilzadeh A, Behzadi S, editors. Flood Mapping and Estimation of Flood Water-Level Using Fuzzy Method and Remote Sensing Imagery (Case Study: Golestan Province, Iran). Forum Geografic; 2020: University of Craiova, Department of Geography.

https://forumgeografic.ro/2021/2698/

[22] Huang H, Lan Y, Yang A, Zhang Y, Wen S, Deng J. Deep learning versus Object-based Image Analysis (OBIA) in weed mapping of UAV imagery. IJRS. 2020;41(9):3446-79.

https://ui.adsabs.harvard.edu/abs/2020IJRS...41.3446H/abstract

[23] Devia CA, Rojas Bustos JP, Petro EE, Mondragon IF, Patino D, Rebolledo C, et al. Aerial monitoring of rice crop variables using an UAV robotic system. 2019;2:97-103.

https://doi.org/10.5220/0007909900970103

[24] Rao DS, Kavya N, Kumar SN, Venkat LY, Kumar NP. Detection and classification of rice leaf diseases using deep learning. Int J Adv Sci Tech. 2020;29(3):5868-74.

http://sersc.org/journals/index.php/IJAST/article/view/6626

[25] Yang M-D, Tseng H-H, Hsu Y-C, Yang C-Y, Lai M-H, Wu D-H. A UAV open dataset of rice paddies for deep learning practice. Remote Sensing. 2021;13(7):1358.

https://doi.org/10.3390/rs13071358

[26] Behzadi S. An intelligent location and state reorganization of traffic signal. Geodesy and Cartography. 2020;46(3):145-50.

https://doi.org/10.3846/gac.2020.10806

[27] Behzadi S, Alesheikh AA. A Pseudo Genetic Algorithm for solving best path problem. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2008;3(1).

https://www.isprs.org/proceedings/xxxvii/congress/2_pdf/2_wg-ii-2/15.pdf

[28] Mousavi Z, Behzadi S. Geo-Portal Implementation with a Combined Approach of AHP and SWOT. International Journal of Natural Sciences Research. 2019;7(1):23-31.

https://doi.org/10.18488/journal.63.2019.71.22.31

[29] Mousavi Z, Behzadi S. Introducing an Appropriate Geoportal Structure for Managing Wildlife Location Data. International Journal of Natural Sciences Research. 2019;7(1):32-48.

https://ideas.repec.org/a/pkp/ijonsr/v7y2019i1p32-48id2376.html

[30] Behzadi S, Jalilzadeh A. Introducing a Novel Digital Elevation Model Using Artificial Neural Network Algorithm. Civil Engineering Dimension. 2020;22(2):47-51.

https://doi.org/10.9744/ced.22.2.47-51

[31] Hamoudzadeh A, Behzadi S. Predicting user’s next location using machine learning algorithms. Spatial Information Research. 2021;29(3):379-87.

DOI: 10.1007/s41324-020-00358-2 

آمار
تعداد مشاهده مقاله: 1,334
تعداد دریافت فایل اصل مقاله: 479


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب