شناسایی دقیق و سریع نوع بافت خاک مبتنی بر الگوریتم یادگیری عمیق و سامانه بینایی ماشین

نوع مقاله : مقاله پژوهشی

نویسنده

گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی ومنابع طبیعی تهران، دانشگاه تهران، کرج، ایران

10.22034/jrmam.2022.10089.539

چکیده

خاک یکی از مهم‌ترین منابع تولید در کشاورزی محسوب می‌شود. بنابراین با شناسایی دقیق خاک و خصوصیات مهم آن می‌توان به مدیریت صحیح و استفاده پایدار از زمین‌های کشاورزی دست یافت. مطالعه حاضر با هدف شناسایی انواع بافت خاک با استفاده از روش بینایی ماشین و شبکه عصبی پیچشی عمیق انجام شد. مدل کانولوشن ارائه شده از دو بلوک متفاوت تشکیل شده است که شامل انواع لایه‌ها از جمله لایه‌های پیچشی، لایه‌های تجمیع‌کننده بیشینه، لایه‌های هموارساز، لایه برون‌انداز، نرمال‌سازی دسته‌ای، لایه‌های تماماً متصل و یک طبقه‌بند ماشین بردار پشتیبان بود. این مدل بر روی تصاویر نمونه‌های مختلف خاک (11 نوع بافت و مجموعاً 790 نمونه) مورد آموزش و آزمون قرار گرفت. این داده‌ها توسط یک سامانه بینایی ماشین و یک دوربین تلفن همراه هوشمند آماده‌سازی شدند. پارامترهای آماری مهم از جمله دقت، صحت، خاصیت، حساسیت و مساحت زیر نمودار به ترتیب 65/99 %، 75/98 %، 8/99 %، 75/98 و 27/99 %، با استفاده از ماتریس اغتشاش محاسبه شد. مدل پیشنهادی توانست با دقت 1/98 % تصاویر نمونه‌های خاک را با موفقیت طبقه‌بندی نماید. نتایج به‌دست آمده نشان داد که مدل پیاده‌سازی شده در این مطالعه می‌تواند جایگزین مناسبی برای روش‌های پر هزینه و زمان‌بر آزمایشگاهی تعیین نوع بافت خاک باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Fast and accurate prediction of soil texture type based on deep learning algorithm and machine vision system

چکیده [English]

Soil is one of the most important sources of production in agriculture. Therefore, with the determination of soil and its important characteristics, proper management and sustainable use of agricultural lands can be achieved. The current study aimed to predict the soil texture using a machine vision system and deep convolutional neural network (DCNN) algorithm. The proposed CNN model was composed of two blocks, including convolutional layers, max pooling layers, a dropout layer, batch normalization layers, fully connected layers, and a support vector machine classifier. This model was trained and tested on the images of different soil samples (11 types of soil texture and a total of 790 soil sample images). The data is prepared by a machine vision system and a smartphone camera (Galaxy A8). Using the confusion matrix, important statistical parameters such as accuracy, precision, specificity, sensitivity, and area under the curve were obtained at 99.65%, 98.75%, 99.8%, 98.75, and 99.27%, respectively. The suggested model successfully and correctly classified the soil sample images with 98.1% accuracy. The obtained results indicated that this study's implemented deep learning model can be a proper alternative to costly and time-consuming laboratory methods for determining soil texture.