یکی از روش‌های ارزیابی عملکرد خطی‌کارها می‌تواند مقایسه درستی عملکرد آن با بررسی جمعیت رویش گیاهان کشت‌شده در واحد سطح مزرعه باشد.? به نظر می‌رسد پیکسل‌های محل رویش گیاهان دارای ویژگی‌های مشابهی با توجه به تغییرات پارامترهای تصویر زمین و گیاهان هستند. استفاده از روش یادگیری عمیق بر پایه شبکه‌های عصبی کانولوشن برای ایجاد نقشه مناطق موردنظر در تصویر مناسب به نظر می‌رسد. در این رابطه، درمجموع ???? تصویر از غلات که در مراحل اولیه رشد قرار داشتند از مزرعه موردنظر اخذ گردید. ??? تصویر با پس‌زمینه‌های مختلف انتخاب و برای تغذیه و آموزش یک شبکه عصبی کانولوشنی علامت‌گذاری شدند. تصاویر خام به‌عنوان ورودی و نقشه‌های نقاط رویش علامت‌گذاری شده دستی به‌عنوان خروجی شبکه تعریف گردیدند. به‌منظور محاسبه هزینه شبکه، خروجی پیش‌بینی‌شده توسط شبکه با نقشه از پیش علامت‌گذاری شده پیکسل‌ها مقایسه می‌شدند. سپس خطاهای پیش‌بینی به عقب بازگردانده شده و به‌روزرسانی پارامترهای شبکه انجام می‌گرفت. بررسی خروجی اولیه شبکه نشان داد که شبکه آموزش‌دیده به نوک برگ‌های گیاهان، علف‌های هرز و بقایای گیاهی به اشتباه به‌عنوان نقاط رویش گیاه پاسخ داده است. برای غلبه بر این خطاها و بهبود عملکرد شبکه، یک تابع جریمه برای نقاط پیش‌بینی‌شده غلط تعریف گردید. شبکه با سه نرخ جریمه آموزش‌دیده و برای هر نرخ، شبکه با ? گام آستانه سافت مکس ارزیابی گردید. با توجه به خروجی شبکه، تصاویر از نظر تراکم گیاهی محدوده بندی شد. برای ارزیابی مدل در محدودهای مختلف، در هر محدوده مشخص تصاویری از مزرعه به‌صورت تصادفی انتخاب شدند. این تصاویر به مدل خورانده و خروجی‌های آن‌ها با حقیقت مقایسه شد. میانگین هارمونی شاخص دقیق و شاخص فراخوانی در محدوده‌هایی که حدود ?? درصد از مجموع تصاویر مزرعه در آن قرار داشت بالای ?? درصد تخمین زده شد که نشان‌دهنده عملکرد مناسب مدل در این زمینه است. نتایج نشان داد که مدل می‌تواند بازخورد قابل قبولی در مورد عملکرد کاشت ارائه و مدیریت و کارایی مزرعه را در گام‌های بعدی بهبود ببخشد.
)