Maize is one of the most important cereal crops worldwide, providing staple food for people globally. Counting maize tassels provides essential information about yield prediction, growth status, and plant phenotyping, but traditional manual approaches are expensive and time-consuming. Recent developments in technology, including high-resolution RGB imagery acquired by unmanned aerial vehicles (UAVs) and advanced machine-learning techniques such as deep learning (DL), have been used to analyze genotypes, phenotypes, and crops. In this study, we modified the YOLOv5s single-stage object detection technique based on a deep convolutional neural network and named it MYOLOv5s. We incorporated BottleneckCSP structures, Hardswish activation function, and two-dimensional spatial dropout layers to increase tassel detection accuracy and reduce overfitting. Our method's performance was compared with three state-of-the-art algorithms: Tasselnetv2+, RetinaNet, and Faster R-CNN. The results obtained from our proposed method demonstrate the effectiveness of MYOLOv5s in detecting and counting maize tassels.

1. Research Article
Vol. 13, No. 2, 2023, p. 175-194
Maize Tassel Detection and Counting Using Deep Learning Techniques
Sh. Falahat Nejad Mahani1
, A. Karami 2*
1- Ph.D. Student, Faculty of Physics, Shahid Bahonar University of Kerman, Kerman, Iran
2- Associate Professor, Faculty of Physics, Shahid Bahonar University of Kerman, Kerman, Iran
(*- Corresponding Author Email: azam.karami@gmail.com)
https://doi.org/10.22067/jam.2022.72477.1062
How to cite this article:
Falahat Nejad Mahani, Sh., & Karami, A. (2023). Maize Tassel Detection and Counting
Using Deep Learning Techniques. Journal of Agricultural Machinery, 13(2), 175-194. (in
Persian with English abstract). https://doi.org/10.22067/jam.2022.72477.1062
Received: 16 September 2021
Revised: 28 November 2021
Accepted: 02 January 2022
Available Online: 02 January 2022
Introduction
Maize is one of the most important cereal crops worldwide, providing staple food for people globally.
Counting maize tassels provides essential information about yield prediction, growth status, and plant
phenotyping, but traditional manual approaches are expensive and time-consuming. Recent developments in
technology, including high-resolution RGB imagery acquired by unmanned aerial vehicles (UAVs) and
advanced machine-learning techniques such as deep learning (DL), have been used to analyze genotypes,
phenotypes, and crops.
In this study, we modified the YOLOv5s single-stage object detection technique based on a deep
convolutional neural network and named it MYOLOv5s. We incorporated BottleneckCSP structures, Hardswish
activation function, and two-dimensional spatial dropout layers to increase tassel detection accuracy and reduce
overfitting. Our method's performance was compared with three state-of-the-art algorithms: Tasselnetv2+,
RetinaNet, and Faster R-CNN. The results obtained from our proposed method demonstrate the effectiveness of
MYOLOv5s in detecting and counting maize tassels.
Materials and Methods
The High-Intensity Phenotyping Site (HIPS) dataset was collected from the large field at the Agronomy
Center for Research and Education (ACRE) of Purdue University, located in West Lafayette, Indiana, USA
during the 2020 growing season. A Sony Alpha 7R-III RGB camera mounted on a UAV at a 20m altitude
captured high-resolution orthophotos with a pixel resolution of 0.25 cm. The dataset consisted of two
replications of 22 entries each for hybrids and inbreds, planted on May 12 using a two-row segment plot layout
with a plant population of 30,000 per acre. The hybrids and inbreds in this dataset had varying flowering dates,
ranging from 20 days between the first and last variety.
This article uses orthophotos taken on July 20th and 24th to train and test the proposed deep network
"MYOLOv5s." These orthophotos were divided into 15 images (3670×2150) and then cropped to obtain 150
images (608 × 2048) for each date. Three modifications were applied to the original YOLOv5s to form
MYOLOv5s: BottleneckCSP structures were added to the neck part of the YOLOv5s, replacing some C3
modules; two-dimensional spatial dropout layers were used in the defect layer; and the Hardswish activation
function was utilized in the convolution structures. These modifications improved tassel detection accuracy.
MYOLOv5s was implemented in the Pytorch framework, and the Adam algorithm was applied to optimize it.
Hyper-parameters such as the number of epochs, batch size, and learning rates were also optimized to increase
tassel detection accuracy.
Results and Discussion
In this study, we first compared the original and modified YOLOv5s techniques, and our results show that
MYOLOv5s improved tassel detection accuracy by approximately 2.80%. We then compared MYOLOv5s
performance to the counting-based approach TasselNetv2+ and two detection-based techniques: Faster R-CNN
and RetinaNet. Our results demonstrated the superiority of MYOLOv5s in terms of both accuracy and inference
time. The proposed method achieved an AP value of 95.30% and an RMSE of 1.9% at 84 FPS, making it about
Journal of Agricultural Machinery
Homepage: https://jame.um.ac.ir

2. 671
‫ماشين‬ ‫نشریه‬
‫جلد‬ ،‫کشاورزي‬ ‫هاي‬
31
‫شماره‬ ،
2
‫تابستان‬ ،
3042
1.4 times faster than the other techniques. Additionally, MYOLOv5s correctly detected the highest number of
maize tassels and showed at least a 17.64% improvement in AP value compared to Faster R-CNN and
RetinaNet, respectively. Furthermore, our technique had the lowest false positive and false negative values. The
regression plots show that MYOLOv5s provided slightly higher fidelity counts than other methods.
Finally, we investigated the effect of score values on the performance of detection-based models and
calculated the optimal values of hyperparameters.
Conclusion
1. The MYOLOv5s technique outperformed other state-of-the-art models in detecting maize tassels, achieving
the highest precision, recall, and average precision (AP) values.
2. The MYOLOv5s method had the lowest root mean square error (RMSE) value in the error counting metric,
demonstrating its accuracy in detecting and counting maize tassels.
3. We evaluated the correlation between predicted and ground-truth values of maize tassels using the R2
score, and for the MYOLOv5s method, the R2 score was approximately 99.28%, indicating a strong
correlation between predicted and actual values.
4. The MYOLOv5s method performed exceptionally well in detecting tassels, even in highly overlapping
areas. It accurately distinguished and detected tassels, regardless of their proximity or overlap with other
objects.
When compared to the counting-based approach TasselNetv2+, our proposed MYOLOv5s method showed
faster inference times. This suggests that the MYOLOv5s method is computationally efficient while maintaining
accurate tassel detection capabilities.
Keywords: Deep learning, Image processing, Maize tassel, Object detection, UAV

3. ،‫کرمی‬ ‫و‬ ‫ماهانی‬ ‫نژاد‬ ‫فالحت‬
‫کاکل‬ ‫خودکار‬ ‫شمارش‬ ‫و‬ ‫تشخيص‬
...‫آشکارساز‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫ذرت‬ ‫هاي‬
677
‫پژوهشی‬ ‫مقاله‬
‫جلد‬
31
‫شماره‬ ،
2
‫تابستان‬ ،
3042
‫ص‬ ،
390
-
357
‫خودکار‬ ‫شمارش‬ ‫و‬ ‫تشخیص‬
‫کاکل‬
‫عمیق‬ ‫یادگیری‬ ‫بر‬ ‫مبتنی‬ ‫آشکارساز‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫ذرت‬ ‫های‬
‫ماهانی‬ ‫نژاد‬ ‫فالحت‬ ‫شهرزاد‬
3
‫کرمی‬ ‫اعظم‬ ،
2
*
:‫دریافت‬ ‫تاریخ‬
52
/
60
/
0066
:‫پذیرش‬ ‫تاریخ‬
05
/
06
/
0066
‫چکیده‬
‫سال‬ ‫در‬
‫اخیر‬ ‫های‬
‫به‬ ‫دقیق‬ ‫کشاورزی‬ ‫در‬ ‫عمیق‬ ‫یادگیری‬ ‫از‬ ‫استفاده‬
‫بیماری‬ ‫یا‬ ‫و‬ ‫آفات‬ ‫شمارش‬ ‫و‬ ‫تشخیص‬ ‫منظور‬
‫س‬ ‫هوشامن‬ ‫سمشاشاو‬ ‫س‬ ‫گیاهاا‬ ‫هاای‬
‫کاهش‬ ‫یا‬ ‫و‬ ‫ه‬ ‫بازدارن‬ ‫عوامل‬ ‫با‬ ‫مقابله‬ ‫جهت‬ ‫گیاها‬ ‫رش‬ ‫رون‬ ‫بر‬ ‫نظارت‬ ‫و‬ ‫کشت‬ ‫زیر‬ ‫سطح‬ ‫تخمین‬
‫بهاره‬ ‫افایایش‬ ‫ها‬ ‫با‬ ‫و‬ ‫رش‬ ‫ه‬ ‫دهن‬
‫محصاوتت‬ ‫وری‬
‫به‬ ‫رو‬ ‫سرعت‬ ‫به‬ ‫کشاورزی‬
‫عمیق‬ ‫عصبو‬ ‫شبکه‬ ‫از‬ ‫برگرفته‬ ‫الگوریتمو‬ ‫طراحو‬ ‫به‬ ‫مقالهس‬ ‫این‬ ‫در‬ .‫است‬ ‫افیایش‬
YOLOv5s
‫شامارش‬ ‫و‬ ‫تشاخیص‬ ‫جهات‬
‫کاکل‬ ‫خودکار‬
‫و‬ ‫آماوزش‬ ‫جهات‬ ‫متفااوت‬ ‫تاریخ‬ ‫دو‬ ‫در‬ ‫ذرت‬ ‫میرعه‬ ‫از‬ ‫پهشاد‬ ‫توسط‬ ‫ه‬ ‫ش‬ ‫اخذ‬ ‫تصاویر‬ ‫از‬ ‫منظورس‬ ‫این‬ ‫برای‬ .‫است‬ ‫ه‬ ‫ش‬ ‫پرداخته‬ ‫ذرت‬ ‫گیاه‬ ‫های‬
‫ه‬ ‫گردی‬ ‫استفاده‬ ‫شبکه‬ ‫ارزیابو‬
‫فعاال‬ ‫تابع‬ ‫و‬ ‫معماری‬ ‫در‬ ‫تغییراتو‬ ‫اعمال‬ ‫به‬ ‫داده‬ ‫ازه‬ ‫ان‬ ‫و‬ ‫نوع‬ ‫به‬ ‫توجه‬ ‫با‬ ‫و‬
‫ایالو‬ ‫الگاوریتا‬ ‫ساازی‬
YOLOv5s
‫ها‬ ‫باا‬
‫الگاوریتا‬ ‫و‬ ‫شا‬ ‫پرداختاه‬ ‫تشاخیص‬ ‫دقات‬ ‫افیایش‬ ‫و‬ ‫برازش‬ ‫بیش‬ ‫کاهش‬ ‫شبکهس‬ ‫پارامترهای‬ ‫اد‬ ‫تع‬ ‫افیایش‬
Modified YOLOv5s
‫اختصاار‬ ‫باه‬ ‫کاه‬
MYOLOv5s
‫به‬ ‫دارد‬ ‫نام‬
‫به‬ ‫نسخه‬ ‫عنوا‬
‫بودیافته‬
YOLOv5s
‫کاکل‬ ‫شمارش‬ ‫و‬ ‫شناسایو‬ ‫قابلیت‬ ‫با‬
‫مقاادیر‬ ‫باا‬ ‫ذرت‬ ‫های‬
‫تبیاین‬ ‫ضاری‬
R2
52
/
99
( ‫متوسط‬ ‫دقت‬ ‫و‬ ‫دری‬
AP
)
06
/
92
‫عملکرد‬ ‫همچنینس‬ . ‫ش‬ ‫حایل‬ ‫دری‬
‫پیشنهادی‬ ‫روش‬
‫به‬
‫الگوریتا‬ ‫با‬ ‫مقاله‬ ‫این‬ ‫در‬ ‫ه‬ ‫ش‬ ‫گرفته‬ ‫کار‬
‫معرفاو‬ ‫معتبار‬ ‫های‬
‫زمینه‬ ‫این‬ ‫در‬ ‫ه‬ ‫ش‬
,TasselNetv2+
Faster R-CNN
‫و‬
RetinaNet
‫به‬ ‫نتایج‬ . ‫گردی‬ ‫مقایسه‬
‫دست‬
‫مو‬ ‫نشا‬ ‫ه‬ ‫آم‬
‫برای‬ ‫تبیین‬ ‫ضری‬ ‫مقادیر‬ ‫که‬ ‫ده‬
‫به‬ ‫شبکه‬ ‫سه‬ ‫این‬
‫ترتی‬
20
/
77
‫س‬
20
/
20
‫و‬
20
/
92
‫مو‬ ‫دری‬
‫الگوریتا‬ ‫برای‬ ‫همچنین‬ . ‫باش‬
‫های‬
Faster R-CNN
‫و‬
RetinaNet
‫متوساط‬ ‫دقات‬ ‫مقادیر‬
99
/
70
‫و‬
00
/
77
‫به‬ ‫دری‬
‫مو‬ ‫نشا‬ ‫نتایج‬ ‫این‬ . ‫آم‬ ‫دست‬
‫الگوریتا‬ ‫که‬ ‫دهن‬
MYOLOv5s
‫تبیاین‬ ‫ضاری‬ ‫مقادیر‬ ‫اکثر‬ ‫ح‬
R2
‫متوساط‬ ‫دقات‬ ‫و‬
(AP)
‫س‬
‫دقات‬
(
Precision
( ‫یاادآوری‬ ‫و‬ )
Recall
‫اسات‬ ‫ذکار‬ ‫شاایا‬ .‫اسات‬ ‫ذرت‬ ‫کاکال‬ ‫تشاخیص‬ ‫در‬ ‫پیشانهادی‬ ‫روش‬ ‫بااتی‬ ‫کاارایو‬ ‫بیاانگر‬ ‫کاه‬ ‫دارد‬ ‫را‬ )
MYOLOv5s
‫پردازش‬ ‫سرعت‬ ‫بود‬ ‫دارا‬ ‫با‬
20
‫سریع‬ ‫ثانیه‬ ‫بر‬ ‫فریا‬
‫مو‬ ‫محسوب‬ ‫ذرت‬ ‫کاکل‬ ‫تشخیص‬ ‫در‬ ‫روش‬ ‫ترین‬
.‫گردد‬
‫واژه‬
:‫کلیدی‬ ‫های‬
‫عمیق‬ ‫یادگیری‬ ‫ذرتس‬ ‫کاکل‬ ‫شوس‬ ‫تشخیص‬ ‫پهشادس‬ ‫تصویرس‬ ‫پردازش‬
‫مقدمه‬
1
‫به‬ ‫ذرت‬
‫مها‬ ‫از‬ ‫یکو‬ ‫عنوا‬
‫تغذیاه‬ ‫آورد‬ ‫فاراها‬ ‫در‬ ‫ت‬ ‫الا‬ ‫تارین‬
‫به‬ ‫زمین‬ ‫کره‬ ‫جمعیت‬ ‫از‬ ‫کثیری‬ ‫بخش‬
‫مو‬ ‫شمار‬
‫همچنینس‬ .‫رود‬
‫باه‬
‫طاور‬
‫گسترده‬
‫به‬ ‫ای‬
‫ینعت‬ ‫در‬ ‫اولیه‬ ‫مواد‬ ‫و‬ ‫زیستو‬ ‫سوخت‬ ‫دامس‬ ‫خوراک‬ ‫عنوا‬
‫دارد‬ ‫کااربرد‬ ‫نیای‬
(
Tagne, Feujio, & Sonna, 2008
)
‫روس‬ ‫ایان‬ ‫از‬ .
‫مو‬ ‫اهمیت‬ ‫حائی‬ ‫محصول‬ ‫این‬ ‫اکثری‬ ‫ح‬ ‫برداشت‬
‫ا‬ ‫این‬ . ‫باش‬
‫نیازمنا‬ ‫مر‬
‫آسای‬ ‫عوامال‬ ‫حذ‬ ً‫ا‬‫ترجیح‬ ‫یا‬ ‫و‬ ‫کاهش‬
‫خااک‬ ‫نظیار‬ ‫گیاهاا‬ ‫باه‬ ‫زا‬
‫بیماری‬ ‫آفاتس‬ ‫نامرالوبس‬
‫گا‬ ‫پرن‬ ‫و‬ ‫حشرات‬ ‫توسط‬ ‫بذر‬ ‫ش‬ ‫خورده‬ ‫هاس‬
‫مو‬ ‫الیره‬ ‫و‬
‫باش‬
.
‫گیاهاا‬ ‫اد‬ ‫تع‬ ‫و‬ ‫رش‬ ‫رون‬ ‫بر‬ ‫مستمر‬ ‫نظارت‬ ‫رو‬ ‫این‬ ‫از‬
0
‫و‬
5
-
‫به‬
‫دکترا‬ ‫دانشجوی‬ ‫ترتی‬
‫و‬
‫دانش‬
‫یار‬
‫ه‬ ‫دانشک‬
‫بااهنر‬ ‫شاهی‬ ‫دانشاگاه‬ ‫فیییکس‬
‫ایرا‬ ‫س‬ ‫کرما‬ ‫س‬ ‫کرما‬
*(
-
‫مسئول‬ ‫ه‬ ‫نویسن‬
:
Email: azam.karami@gmail.com
)
https://doi.org/10.22067/jam.2022.72477.1062
‫به‬ ‫میرعه‬ ‫یک‬ ‫ذرت‬
‫این‬ ‫با‬ ‫مقابله‬ ‫منظور‬
‫آسای‬ ‫اثرات‬ ‫گونه‬
‫یاورت‬ ‫در‬ ‫زا‬
‫م‬
‫اسات‬ ‫ضروری‬ ‫امری‬ ‫رش‬ ‫در‬ ‫تغییر‬ ‫ه‬ ‫شاه‬
(Parihar et al., 2011;
Lu, Cao, Xiao, Zhuang, & Shen, 2017)
‫جمعیت‬ ‫براین‬ ‫وه‬ ‫ع‬ .
‫به‬ ‫گیاه‬ ‫یک‬
‫فنوتایشینا‬ ‫خواص‬ ‫بررسو‬ ‫در‬ ‫اساسو‬ ‫شاخص‬ ‫یک‬ ‫عنوا‬
‫به‬ ‫نیی‬ ‫آ‬
‫مو‬ ‫شمار‬
‫در‬ ‫ذرت‬ ‫گیاه‬ ‫بر‬ ‫نظارت‬ . ‫رون‬
‫گل‬ ‫زما‬
‫ده‬
‫نیای‬ ‫آ‬ ‫و‬
‫مهم‬ ‫نقش‬
‫و‬
‫تع‬ ‫در‬
‫یی‬
‫ن‬
‫بهره‬
‫ور‬
‫ی‬
‫این‬
‫محصاو‬
‫ل‬
‫دارد‬
‫اگار‬ ‫زیارا‬
‫گ‬
‫ی‬
‫اهاا‬
‫خ‬
‫ی‬
‫ل‬
‫و‬
‫پا‬ ‫از‬ ‫قبل‬ ‫محصول‬ ‫هن‬ ‫ب‬ ‫گل‬ ‫زود‬
‫ی‬
‫ا‬
‫م‬ ‫بالغ‬ ‫رش‬ ‫فصل‬
‫و‬
‫و‬ ‫شاود‬
‫مقاد‬ ‫از‬ ‫استفاده‬ ‫و‬ ‫جذب‬ ‫فریت‬
‫ی‬
‫ر‬
‫ز‬
‫ی‬
‫اد‬
‫ی‬
‫انرژ‬
‫ی‬
‫نور‬
‫فوتوسنتی‬ ‫برای‬
‫از‬ ‫را‬
‫م‬ ‫دست‬
‫و‬
‫ده‬
‫ن‬
‫چنانچه‬ ‫و‬
‫خ‬
‫ی‬
‫ل‬
‫و‬
‫د‬
‫ی‬
‫ر‬
‫محصاول‬ ‫اسات‬ ‫ممکن‬ ‫هن‬ ‫ب‬ ‫گل‬
‫برا‬ ‫ش‬ ‫آماده‬ ‫از‬ ‫قبل‬
‫ی‬
‫تغ‬ ‫با‬ ‫برداشت‬
‫یی‬
‫ر‬
‫ب‬ ‫از‬ ‫فصل‬
‫ی‬
‫ن‬
.‫برود‬
‫لاذاس‬
‫حتا‬
‫و‬
‫مقاد‬
‫ی‬
‫ر‬
‫م‬ ‫تنش‬ ‫ک‬ ‫ان‬
‫و‬
‫م‬ ‫به‬ ‫را‬ ‫عملکرد‬ ‫توان‬
‫ی‬
‫یا‬
‫قابل‬
‫توجه‬
‫و‬
‫تغ‬
‫یی‬
‫ر‬
‫ده‬
(
Alzadjali et al., 2021
)
‫اشاخاص‬ ‫طریق‬ ‫از‬ ‫نظارت‬ ‫این‬ ‫گذشته‬ ‫در‬ .
‫مو‬ ‫انجام‬
‫گرفت‬
‫طاقت‬ ‫امری‬ ‫که‬
‫زماا‬ ‫فرساس‬
‫اماا‬ .‫باود‬ ‫الیردقیاق‬ ‫و‬ ‫بار‬
‫روش‬ ‫مشکلس‬ ‫این‬ ‫بر‬ ‫آم‬ ‫فایق‬ ‫برای‬ ‫اکنو‬
‫هایو‬
‫شمارش‬ ‫برای‬ ‫نوین‬
‫ماشين‬ ‫نشریه‬
‫کشاورزي‬ ‫هاي‬
https://jame.um.ac.ir

4. 671
‫ماشين‬ ‫نشریه‬
‫جلد‬ ،‫کشاورزي‬ ‫هاي‬
31
‫شماره‬ ،
2
‫تابستان‬ ،
3042
‫زراعو‬ ‫محصوتت‬ ‫خودکار‬
‫ب‬ ‫مبتنو‬
‫تصویر‬ ‫پردازش‬ ‫و‬ ‫مصنوعو‬ ‫هوش‬ ‫ر‬
.‫است‬ ‫ه‬ ‫ش‬ ‫پیشنهاد‬ ‫اخیر‬ ‫سالیا‬ ‫در‬
‫به‬ ‫جمله‬ ‫از‬
‫روش‬ ‫کارگیری‬
‫تصاویر‬ ‫پردازش‬ ‫و‬ ‫مصنوعو‬ ‫هوش‬ ‫های‬
‫مو‬ ‫کشاورزی‬ ‫حوزه‬ ‫در‬
‫به‬ ‫توا‬
‫شناسایو‬
‫علف‬
‫هارز‬ ‫های‬
(
Parihar et
al., 2011
)
‫س‬
‫تشااخیص‬
‫بیماااری‬
‫هااا‬
(Gómez-Flores, Garza-
Saldaña, & Varela-Fuentes, 2019; Pourreza, Lee,
Etxeberria, & Banerjee, 2015)
‫کاکل‬ ‫شمارش‬ ‫س‬
‫ذرت‬ ‫های‬
(
Lu
et al., 2017
)
‫کاکال‬ ‫شناساایو‬ ‫س‬
‫ذرت‬ ‫هاای‬
(
Liu et al., 2020
)
‫س‬
‫ار‬
‫ا‬‫با‬ ‫امارش‬
‫ا‬‫شا‬
(
Ubbens, Cieslak, Prusinkiewicz, &
Stavness, 2018
)
‫نهاال‬ ‫تشاخیص‬ ‫س‬
‫هاا‬
(
Quan et al., 2019
)
‫و‬
‫ساورگوم‬ ‫شمارش‬ ‫و‬ ‫شناسایو‬
(Ghosal et al., 2019)
.‫کارد‬ ‫اشااره‬
‫نام‬ ‫مقاتت‬ ‫تمامو‬
‫الگوریتا‬ ‫طراحو‬ ‫با‬ ‫برده‬
‫مختلف‬ ‫های‬
‫هوش‬ ‫بر‬ ‫مبتنو‬
‫توانسته‬ ‫تصویر‬ ‫پردازش‬ ‫و‬ ‫مصنوعو‬
‫عمل‬ ‫ان‬
‫تشاخیص‬ ‫یاا‬ ‫و‬ ‫شامارش‬
‫را‬ ‫نظر‬ ‫مورد‬ ‫شو‬
‫به‬
‫خودکاار‬ ‫یورت‬
‫زماا‬ ‫کااهش‬ ‫باا‬ ‫و‬ ‫داده‬ ‫انجاام‬
‫و‬
‫کشااورزی‬ ‫جهت‬ ‫در‬ ‫بیرگو‬ ‫گام‬ ‫تشخیص‬ ‫یا‬ ‫و‬ ‫شمارش‬ ‫رت‬ ‫ق‬ ‫افیایش‬
‫دقات‬ ‫بیشتر‬ ‫افیایش‬ ‫و‬ ‫تشخیص‬ ‫زما‬ ‫کاهش‬ ‫هرچن‬ . ‫بردارن‬ ‫هوشمن‬
‫مو‬ ‫محسوب‬ ‫باز‬ ‫مسئله‬ ‫یک‬ ‫هنوز‬
‫امار‬ ‫ایان‬ ‫در‬ ‫پیشارفتو‬ ‫هار‬ ‫و‬ ‫گاردد‬
.‫است‬ ‫یر‬ ‫تق‬ ‫شایسته‬
‫الگوریتا‬
‫به‬ ‫مصنوعو‬ ‫هوش‬ ‫های‬
‫در‬ ‫ه‬ ‫شا‬ ‫ذکر‬ ‫مقاتت‬ ‫در‬ ‫رفته‬ ‫کار‬
‫روش‬ ‫گروه‬ ‫دو‬
‫عمیق‬ ‫یادگیری‬ ‫و‬ ‫سیک‬ ‫ک‬ ‫های‬
0
‫یاا‬ ‫و‬ ‫شامارش‬ ‫جهت‬
‫روش‬ ‫جملاه‬ ‫از‬ . ‫هساتن‬ ‫بحات‬ ‫قابال‬ ‫نظار‬ ‫ماورد‬ ‫شو‬ ‫تشخیص‬
‫هاای‬
‫مو‬ ‫سیک‬ ‫ک‬
‫روش‬ ‫دودویوس‬ ‫تصویر‬ ‫تشکیل‬ ‫به‬ ‫توا‬
‫مورفولاوژیس‬ ‫هاای‬
‫لبه‬
‫روش‬ ‫و‬ ‫یابو‬
‫روش‬ ‫ایان‬ ‫در‬ .‫کارد‬ ‫اشااره‬ ‫ماشاین‬ ‫یاادگیری‬ ‫های‬
‫هاا‬
‫ویژگاو‬ ‫استخراج‬
‫باه‬ ‫کاه‬ ‫تصاویر‬ ‫ارزش‬ ‫باا‬ ‫هاای‬
‫کااهش‬ ‫منظاور‬
‫باار‬
‫باه‬ ‫گیارد‬ ‫انجاام‬ ‫بایا‬ ‫الگوریتا‬ ‫محاسباتو‬
‫از‬ ‫مجایا‬ ‫و‬ ‫دساتو‬ ‫یاورت‬
‫طراحو‬ ‫الگوریتا‬
‫انجاام‬ ‫بایا‬ ‫شاو‬ ‫شامارش‬ ‫یا‬ ‫و‬ ‫تشخیص‬ ‫جهت‬ ‫ه‬ ‫ش‬
‫ویژگاو‬ ‫ایان‬ ‫عمیق‬ ‫یادگیری‬ ‫در‬ ‫اما‬ ‫گیرد‬
‫سراساری‬ ‫سااختاری‬ ‫در‬ ‫هاا‬
5
‫تیه‬ ‫توسط‬
‫به‬ ‫عمیق‬ ‫شبکه‬ ‫های‬
‫ماو‬ ‫اساتخراج‬ ‫خودکاار‬ ‫یورت‬
‫شاون‬
(
Ongsulee, 2017
)
‫الگاوریتا‬ ‫از‬ ‫اساتفاده‬ ‫روس‬ ‫این‬ ‫از‬ .
‫یاادگیری‬ ‫هاای‬
‫مو‬ ‫منتهو‬ ‫بهتری‬ ‫نتایج‬ ‫به‬ ‫اشیا‬ ‫شمارش‬ ‫یا‬ ‫و‬ ‫تشخیص‬ ‫در‬ ‫عمیق‬
.‫گردد‬
‫الگوریتا‬
‫به‬ ‫عمیق‬ ‫یادگیری‬ ‫های‬
‫باه‬ ‫نیای‬ ‫خود‬ ‫منظور‬ ‫این‬ ‫برای‬ ‫رفته‬ ‫کار‬
‫الگوریتا‬ ‫دسته‬ ‫دو‬
‫دسته‬ ‫قابل‬ ‫تشخیص‬ ‫و‬ ‫شمارش‬ ‫بر‬ ‫مبتنو‬ ‫های‬
‫ی‬ ‫بنا‬
‫هستن‬
‫الگوریتا‬ .
‫به‬ ‫با‬ ‫شمارش‬ ‫بر‬ ‫مبتنو‬ ‫عمیق‬ ‫یادگیری‬ ‫های‬
‫کاارگیری‬
‫داده‬ ‫مناسا‬ ‫رگرسیو‬ ‫الگوریتا‬ ‫یک‬
‫رابطاه‬ ‫ایجااد‬ ‫و‬ ‫مسائله‬ ‫هاای‬
‫ای‬
‫باه‬ ‫تصاویر‬ ‫در‬ ‫موجاود‬ ‫اشیا‬ ‫اد‬ ‫تع‬ ‫و‬ ‫وابسته‬ ‫متغیرهای‬ ‫بین‬ ‫معنادار‬
‫طاور‬
‫پیش‬ ‫به‬ ‫مستقیا‬
‫ماو‬ ‫تصاویر‬ ‫سایر‬ ‫در‬ ‫نظر‬ ‫مورد‬ ‫شو‬ ‫اد‬ ‫تع‬ ‫بینو‬
‫پردازنا‬
‫آ‬ ‫حال‬
‫ر‬ ‫در‬ ‫که‬
‫وش‬
‫برای‬ ‫عمیق‬ ‫شبکه‬ ‫یک‬ ‫از‬ ‫تشخیص‬ ‫بر‬ ‫مبتنو‬ ‫های‬
‫ماو‬ ‫اساتفاده‬ ‫تصویر‬ ‫در‬ ‫اشیا‬ ‫شمارش‬ ‫و‬ ‫تشخیص‬
‫از‬ ‫عمال‬ ‫ایان‬ .‫شاود‬
1- Deep Learning
2- End-to-End
‫یاا‬ ‫و‬ ‫شو‬ ‫اطرا‬ ‫در‬ ‫معین‬ ‫امتیاز‬ ‫با‬ ‫ه‬ ‫محصورکنن‬ ‫کادرهای‬ ‫رسا‬ ‫طریق‬
‫مو‬ ‫انجام‬ ‫آ‬ ‫مرکی‬ ‫در‬ ‫نقطه‬ ‫رسا‬
‫گیرد‬
(
Lempitsky & Zisserman,
2010
)
.
‫شامارش‬ ‫و‬ ‫تشخیص‬ ‫برای‬ ‫نیی‬ ‫عمیق‬ ‫یادگیری‬ ‫ل‬ ‫م‬ ‫ادی‬ ‫تع‬ ‫ًس‬‫ا‬‫اخیر‬
‫کاکاال‬
‫ه‬ ‫شاا‬ ‫پیشاانهاد‬ ‫ذرت‬ ‫هااای‬
‫الگااوریتا‬ . ‫اناا‬
‫پایااه‬ ‫باار‬ ‫هااای‬
‫شمارش‬
TasselNet
(Lu et al., 2017)
‫س‬
TasselNetv2
(
Xiong
et al., 2019
)
‫و‬
TasselNetv2+
(
Lu & Cao, 2020
)
‫جملاه‬ ‫از‬
‫ل‬ ‫م‬
‫هما‬ . ‫هستن‬ ‫شمارش‬ ‫برای‬ ‫استفاده‬ ‫مورد‬ ‫های‬
‫شا‬ ‫گفته‬ ‫که‬ ‫گونه‬
‫ل‬ ‫ما‬ ‫این‬
‫پایش‬ ‫جهات‬ ‫رگرسایو‬ ‫الگاوریتا‬ ‫یاک‬ ‫از‬ ‫هاا‬
‫اد‬ ‫تعا‬ ‫بیناو‬
‫کاکل‬
‫مو‬ ‫استفاده‬ ‫ذرت‬ ‫های‬
‫و‬ ‫کنن‬
TasselNetv2+
‫به‬
‫نساخه‬ ‫عناوا‬
‫الگوریتا‬ ‫دو‬ ‫بهبودیافته‬
TasselNet
‫و‬
TasselNetv2
‫خ‬ ‫قادر‬
‫بود‬ ‫واه‬
‫کاکل‬
.‫بشامارد‬ ‫کاا‬ ‫زماا‬ ‫در‬ ‫را‬ ‫باات‬ ‫ابعاد‬ ‫تصاویر‬ ‫در‬ ‫موجود‬ ‫ذرت‬ ‫های‬
‫شابکه‬
‫هاای‬
Faster R-CNN
(
Liu et al., 2020
)
‫و‬
RetinaNet
(
Zou, Lu, Li, Liu, & Cao, 2020
)
‫شامارش‬ ‫و‬ ‫تشاخیص‬ ‫بارای‬
‫کاکل‬
‫به‬ ‫ها‬
‫ه‬ ‫ش‬ ‫گرفته‬ ‫کار‬
‫بار‬ ‫مبتناو‬ ‫ل‬ ‫ما‬ ‫در‬ . ‫انا‬
Faster R-CNN
‫پشاتبا‬ ‫شبکه‬ ‫دو‬ ‫از‬ ‫امر‬ ‫این‬ ‫جهت‬
0
VGGNet
‫و‬
0
ResNet
‫اساتفاده‬
‫لنگرها‬ ‫ازه‬ ‫ان‬ ‫بهبود‬ ‫با‬ ‫و‬ ‫است‬ ‫ه‬ ‫ش‬
2
‫طراحاو‬ ‫ذرت‬ ‫کاکل‬ ‫شناسایو‬ ‫ل‬ ‫م‬
‫پایاه‬ ‫بار‬ ‫ل‬ ‫م‬ ‫طراحو‬ ‫در‬ .‫است‬ ‫ه‬ ‫ش‬
RetinaNet
‫از‬ ‫نیای‬
ResNet34
‫به‬
‫تشخ‬ ‫ل‬ ‫م‬ ‫پشتبا‬ ‫شبکه‬ ‫عنوا‬
.‫اسات‬ ‫ه‬ ‫ش‬ ‫استفاده‬ ‫ذرت‬ ‫کاکل‬ ‫یص‬
‫روش‬ ‫این‬ ‫مقایسه‬ ‫از‬
‫در‬ ‫هاا‬ ‫باا‬ ‫هاا‬
(
Zou et al., 2020
)
‫نتیجاه‬ ‫ایان‬
‫که‬ ‫ش‬ ‫حایل‬
‫ل‬ ‫م‬
‫باه‬ ‫نسابت‬ ‫شامارش‬ ‫جهات‬ ‫ه‬ ‫شا‬ ‫اساتفاده‬ ‫هاای‬
‫روش‬
‫سریع‬ ‫تشخیص‬ ‫پایه‬ ‫بر‬ ‫های‬
‫مو‬ ‫عمل‬ ‫تر‬
‫بیشاتری‬ ‫تواناایو‬ ‫و‬ ‫کنن‬
‫کاکل‬ ‫شمارش‬ ‫در‬
‫ها‬ ‫با‬ ‫های‬
‫علو‬ ‫اما‬ ‫دارن‬ ‫بات‬ ‫پوشانو‬
‫روش‬ ‫رالا‬
‫هاای‬
‫هار‬ ‫ازه‬ ‫انا‬ ‫و‬ ‫مکاانو‬ ‫موقعیات‬ ‫دقیق‬ ‫تعیین‬ ‫به‬ ‫قادر‬ ‫تشخیص‬ ‫بر‬ ‫مبتنو‬
‫نمو‬ ‫کاکل‬
. ‫باشن‬
‫هرچه‬ ‫برای‬ ‫جهتس‬ ‫ین‬ ‫ب‬
‫روش‬ ‫بود‬ ‫تر‬ ‫کارآم‬
‫عمیق‬ ‫یادگیری‬ ‫های‬
‫کاکل‬ ‫شناسایو‬ ‫در‬
‫ذرت‬ ‫های‬
‫که‬ ‫تشخیص‬ ‫بر‬ ‫مبتنو‬ ‫الگوریتمو‬ ‫طراحو‬
‫بسایار‬ ‫گیاهاا‬ ‫شمارش‬ ‫امر‬ ‫برای‬ ‫باش‬ ‫نیی‬ ‫بات‬ ‫پردازش‬ ‫سرعت‬ ‫دارای‬
‫مو‬ ‫اهمیت‬ ‫حائی‬
. ‫باشا‬
‫شابکه‬ ‫طراحاو‬ ‫باه‬ ‫مقالاه‬ ‫ایان‬ ‫در‬ ‫روس‬ ‫ایان‬ ‫از‬
MYOLOv5s
‫اه‬
‫ا‬‫ب‬
‫مب‬ ‫اوریتا‬
‫ا‬‫الگ‬ ‫اه‬
‫ا‬‫بهبودیافت‬ ‫اخه‬
‫ا‬‫نس‬ ‫اوا‬
‫ا‬‫عن‬
‫ار‬
‫ا‬‫ب‬ ‫او‬
‫ا‬‫تن‬
‫تشخیص‬
YOLOv5s
(
Jocher et al., 2020
)
‫داده‬ ‫تحلیل‬ ‫برای‬
‫های‬
‫به‬ ‫الگوریتا‬ ‫این‬ .‫است‬ ‫ه‬ ‫ش‬ ‫پرداخته‬ ‫ذرت‬ ‫کاکل‬
‫باا‬ ‫تخصصاو‬ ‫یاورت‬
‫ویژگاو‬ ‫و‬ ‫داده‬ ‫مجموعاه‬ ‫ناوع‬ ‫به‬ ‫توجه‬
‫کاکال‬ ‫هاای‬
‫آ‬ ‫در‬ ‫ذرت‬ ‫هاای‬
‫به‬ ‫گیاه‬ ‫این‬ ‫شناسایو‬ ‫جهت‬ )‫الیره‬ ‫و‬ ‫بافت‬ ‫س‬ ‫رن‬ ‫ازهس‬ ‫ان‬ ‫(شکلس‬
‫یاورت‬
‫نوآوری‬ ‫به‬ ‫ادامه‬ ‫در‬ .‫است‬ ‫ه‬ ‫ش‬ ‫طراحو‬ ‫اختصایو‬
‫در‬ ‫گرفتاه‬ ‫انجام‬ ‫های‬
‫الگوریتا‬ ‫طراحو‬
MYOLOv5s
: ‫ش‬ ‫خواه‬ ‫اشاره‬
0
-
‫ساختارهای‬ ‫برخو‬ ‫کرد‬ ‫جایگیین‬
C3
‫در‬
‫گرد‬ ‫قسمت‬
0
‫شبکه‬
3- Visual Geometry Group Neural Network
4- Residual Neural Network
5- Anchor
6- Neck

5. ،‫کرمی‬ ‫و‬ ‫ماهانی‬ ‫نژاد‬ ‫فالحت‬
‫کاکل‬ ‫خودکار‬ ‫شمارش‬ ‫و‬ ‫تشخيص‬
...‫آشکارساز‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫ذرت‬ ‫هاي‬
671
YOLOv5s
‫ساختار‬ ‫با‬
BottleneckCSP
‫باه‬
‫افایایش‬ ‫منظاور‬
‫شبکه‬ ‫یادگیری‬ ‫قابلیت‬
5
-
‫استفاده‬
‫فعال‬ ‫تابع‬ ‫از‬ ‫کرد‬
‫سازی‬
Hardswish
‫افایایش‬ ‫جهات‬
‫شبکه‬ ‫یادگیری‬ ‫قابلیت‬
0
-
‫تیه‬ ‫داد‬ ‫قرار‬
‫مکاانو‬ ‫تصاادفو‬ ‫حاذ‬ ‫های‬
0
‫سار‬ ‫قسامت‬ ‫در‬
5
‫به‬ ‫شبکه‬
‫بیش‬ ‫از‬ ‫جلوگیری‬ ‫منظور‬
‫برازش‬
0
-
‫به‬
‫ی‬
‫نه‬
‫کرد‬
‫ابر‬
‫پارامترها‬
‫ی‬
0
‫به‬ ‫الگوریتا‬
‫منظاور‬
‫دقات‬ ‫افایایش‬
‫کاکل‬ ‫تشخیص‬
‫ذرت‬ ‫های‬
‫تشاخیص‬ ‫بااتی‬ ‫دقات‬ ‫به‬ ‫دستیابو‬ ‫ضمن‬ ‫فوق‬ ‫حات‬ ‫ای‬ ‫اعمال‬
‫کاکل‬
‫مطلاوب‬ ‫عملکارد‬ ‫بارای‬ ‫را‬ ‫شارایط‬ ‫کا‬ ‫زما‬ ‫ت‬ ‫م‬ ‫در‬ ‫ذرت‬ ‫های‬
‫باه‬ ‫توجاه‬ ‫باا‬ ‫خاود‬ ‫کاه‬ ‫آورده‬ ‫فاراها‬ ‫کاا‬ ‫آموزش‬ ‫داده‬ ‫اد‬ ‫تع‬ ‫با‬ ‫شبکه‬
‫اه‬
‫ا‬‫هیین‬
‫اوب‬
‫ا‬‫محس‬ ‫او‬
‫ا‬‫مهم‬ ‫اتاورد‬
‫ا‬‫دس‬ ‫داده‬ ‫ااه‬
‫ا‬‫پایگ‬ ‫اکیل‬
‫ا‬‫تش‬ ‫ااتی‬
‫ا‬‫ب‬ ‫اای‬
‫ا‬‫ه‬
‫مو‬
‫گردد‬
.
‫ه‬
‫ل‬ ‫م‬ ‫این‬ ‫عملکرد‬ ‫بیشتر‬ ‫بررسو‬ ‫جهت‬ ‫مچنینس‬
‫حایل‬ ‫نتایج‬
‫شبکه‬ ‫سه‬ ‫با‬ ‫آ‬ ‫از‬
TasselNetv2+
‫س‬
Faster R-CNN
‫س‬
RetinaNet
‫طراحاو‬ ‫شابکه‬ ‫برتاری‬ ‫و‬ ‫ه‬ ‫ش‬ ‫مقایسه‬
‫شامارش‬ ‫و‬ ‫تشاخیص‬ ‫در‬ ‫ه‬ ‫شا‬
‫کاکل‬
‫کوتاه‬ ‫در‬ ‫ذرت‬ ‫های‬
‫زما‬ ‫ترین‬
.‫است‬ ‫ه‬ ‫رسی‬ ‫اثبات‬ ‫به‬
‫روش‬ ‫و‬ ‫مواد‬
‫ها‬
‫داده‬ ‫مجموعه‬
4
HIPS
‫ل‬ ‫ما‬ ‫طراحاو‬ ‫بارای‬ ‫مقالاهس‬ ‫این‬ ‫در‬
MYOLOv5s
‫داده‬ ‫از‬
‫هاای‬
‫پاردو‬ ‫دانشاگاه‬ ‫کشاورزی‬ ‫تحقیقات‬ ‫بخش‬ ‫توسط‬ ‫ه‬ ‫ش‬ ‫تهیه‬ ‫تصویری‬
2
‫س‬
‫داده‬ ‫این‬ .‫است‬ ‫ه‬ ‫ش‬ ‫استفاده‬ ‫آمریکا‬ ‫یاناس‬ ‫این‬
‫تصااویر‬ ‫از‬ ‫متشاکل‬ ‫ها‬
55
‫اینبرد‬ ‫ذرت‬ ‫کاکل‬ ‫ردیف‬
0
‫و‬
55
‫ذرت‬ ‫کاکل‬ ‫ردیف‬
‫هیبری‬
7
‫کاه‬ ‫هساتن‬
‫جمعیت‬ ‫با‬
06666
‫هکتاا‬ ‫بر‬ ‫گیاه‬
‫تااریخ‬ ‫در‬ ‫ر‬
05
‫ساال‬ ‫ماو‬ ‫مااه‬
5656
‫ه‬ ‫ش‬ ‫کاشته‬ ‫دی‬ ‫می‬
. ‫ان‬
‫در‬ ‫ذرت‬ ‫رشا‬ ‫فصال‬ ‫طاول‬ ‫در‬ ‫تصاویربرداری‬
‫تاریخ‬
‫های‬
56
‫و‬
50
‫از‬ ‫جوتی‬
02
‫رنگاو‬ ‫دورباین‬ ‫از‬ ‫اساتفاده‬ ‫با‬ ‫ناحیه‬
Sony Alpha 7R-lll
‫نصا‬
‫پهشااد‬ ‫روی‬ ‫بار‬ ‫ه‬ ‫شا‬
DJI Matrice
M600 Pro
‫ساعت‬ ‫از‬
06:66
‫الو‬
05:66
‫بارای‬ ‫مناسا‬ ‫نور‬ ‫که‬ ‫یبح‬
‫تص‬
‫دارد‬ ‫وجاود‬ ‫ویربرداری‬
‫ارتفااع‬ ‫از‬ ‫و‬
56
.‫گرفات‬ ‫انجاام‬ ‫متاری‬
‫ایان‬
‫رزولوشن‬ ‫دارای‬ ‫دوربین‬
0
/
05
‫ساش‬ .‫است‬ ‫مگاپیکسل‬
‫خاام‬ ‫تصااویر‬
‫باه‬ ‫و‬ ‫ن‬ ‫ش‬ ‫پردازش‬ ‫رنگو‬
02
‫اورتوفوتاو‬
2
(
Habib, Kim, & Kim,
2007
)
‫میاانگین‬ ‫ازه‬ ‫انا‬ ‫باا‬ ‫تااریخ‬ ‫هار‬ ‫بارای‬ ‫کیفیات‬ ‫باا‬ ‫بسیار‬ ‫رنگو‬
5026
×
0076
‫اانو‬
‫ا‬‫مک‬ ‫ان‬
‫ا‬‫رزولوش‬ ‫و‬
52
/
6
‫اانتو‬
‫ا‬‫س‬
. ‫ن‬ ‫ا‬
‫ا‬‫ش‬ ‫یل‬ ‫ا‬
‫ا‬‫تب‬ ‫ار‬
‫ا‬‫مت‬
1- Spatial-Dropout
2- Head
3- Hyper-parameter
4- High Intensity Phenotyping Sites
5- Purdue University
6- Inbred
7- Hybrid
8- Orthophoto
‫گل‬ ‫تاریخ‬ ‫و‬ ‫شمارش‬ ‫جمله‬ ‫از‬ ‫فنوتیشو‬ ‫عات‬ ‫اط‬
‫باا‬ ‫دهو‬
‫بازرساو‬
‫هاای‬
.‫اسات‬ ‫ه‬ ‫ش‬ ‫ثبت‬ ‫نیی‬ ‫رش‬ ‫ت‬ ‫م‬ ‫طول‬ ‫در‬ ‫میرعه‬ ‫در‬ ‫بصری‬
‫شاکل‬ ‫در‬
0
‫نمونه‬
‫اورتوفوتو‬ ‫از‬ ‫ای‬
‫تاریخ‬ ‫های‬
‫های‬
56
‫و‬
50
.‫است‬ ‫داده‬ ‫نشا‬ ‫جوتی‬
‫هما‬
‫تاریخ‬ ‫در‬ ‫است‬ ‫پی‬ ‫تصاویر‬ ‫از‬ ‫که‬ ‫گونه‬
50
‫مقایساه‬ ‫در‬ ‫جوتی‬
‫تاریخ‬ ‫با‬
56
‫ذرت‬ ‫جوتی‬
‫داشته‬ ‫بیشتری‬ ‫رش‬ ‫ها‬
‫ها‬ ‫س‬ ‫ان‬
‫بیشتری‬ ‫پوشانو‬
‫دار‬
‫از‬ ‫متفااوت‬ ‫جاوی‬ ‫شرایط‬ ‫در‬ ‫تصویربرداری‬ ‫و‬ ‫است‬ ‫خشک‬ ‫خاک‬ ‫س‬ ‫ن‬
‫تاریخ‬
56
.‫است‬ ‫گرفته‬ ‫انجام‬ ‫جوتی‬
‫به‬
‫آماده‬ ‫منظور‬
‫طراحاو‬ ‫بارای‬ ‫اساتفاده‬ ‫جهت‬ ‫داده‬ ‫مجموعه‬ ‫سازی‬
‫کوچک‬ ‫تصاویر‬ ‫به‬ ‫بای‬ ‫اورتوفوتو‬ ‫تصویر‬ ‫هر‬ ‫لس‬ ‫م‬
.‫شاود‬ ‫داده‬ ‫بارش‬ ‫تار‬
‫استفاده‬ ‫ا‬ ‫اه‬ ‫با‬ ‫تصاویر‬ ‫برش‬
‫افایایش‬ ‫تصااویرس‬ ‫ایان‬ ‫از‬ ‫بهینه‬
‫دقات‬
‫داده‬ ‫پردازش‬ ‫زما‬ ‫ت‬ ‫م‬ ‫کاهش‬ ‫و‬ ‫الگوریتا‬
‫مو‬ ‫انجام‬
‫و‬ ‫گیرد‬
‫توجاه‬ ‫باا‬
‫گونه‬ ‫به‬ ‫بای‬ ‫داده‬ ‫نوع‬ ‫به‬
‫در‬ ‫موجاود‬ ‫اشایا‬ ‫در‬ ‫انو‬ ‫چن‬ ‫تغییر‬ ‫که‬ ‫باش‬ ‫ای‬
‫قابل‬ ‫ه‬ ‫ش‬ ‫گرفته‬ ‫نظر‬ ‫در‬ ‫الگوریتا‬ ‫توسط‬ ‫س‬ ‫نکن‬ ‫ایجاد‬ ‫آ‬
‫س‬ ‫باشا‬ ‫پردازش‬
‫داده‬ ‫با‬ ‫متناس‬ ‫و‬ ‫بخش‬ ‫بهبود‬ ‫را‬ ‫الگوریتا‬ ‫عملکرد‬
‫تعیا‬ ‫آزماو‬ ‫های‬
‫ین‬
‫مجموعه‬ ‫در‬ ‫آمریکا‬ ‫پردو‬ ‫دانشگاه‬ ‫کشاورزی‬ ‫تحقیقات‬ ‫مرکی‬ ‫توسط‬ ‫ه‬ ‫ش‬
‫تصاویر‬ ‫هار‬ ‫بارای‬ ‫مرکی‬ ‫این‬ ‫توسط‬ ‫ه‬ ‫ش‬ ‫تعیین‬ ‫آزمو‬ ‫داده‬ . ‫باش‬ ‫داده‬
‫مو‬ ‫تصویر‬ ‫هر‬ ‫چپ‬ ‫سمت‬ ‫ردیف‬ ‫دو‬ ‫شامل‬ ‫اورتوفوتو‬
‫و‬ ‫باش‬
06
‫دریا‬
‫مو‬ ‫تشکیل‬ ‫را‬ ‫تصاویر‬ ‫کل‬
‫کاکل‬ ‫از‬ ‫متشکل‬ ‫تصاویر‬ ‫این‬ . ‫ده‬
‫ذرت‬ ‫های‬
‫هیبری‬ ‫و‬ ‫اینبرد‬
‫بارای‬ ‫تفااوت‬ ‫کو‬ ‫انا‬ ‫باا‬ ‫و‬ ‫باوده‬
06
‫مختلاف‬ ‫تصاویر‬
‫ازه‬ ‫ان‬
‫ود‬ ‫ح‬ ‫در‬ ‫ای‬
5026
×
066
‫این‬ ‫به‬ ‫توجه‬ ‫با‬ .‫دارد‬ ‫پیکسل‬
‫جهات‬ ‫کاه‬
‫اسات‬ ‫بهتار‬ ‫آموزش‬ ‫تصاویر‬ ‫ازه‬ ‫ان‬ ‫آموزش‬ ‫زما‬ ‫در‬ ‫بهتر‬ ‫نتیجه‬ ‫حصول‬
‫لاذا‬ ‫شاود‬ ‫انتخااب‬ ‫آزماو‬ ‫تصااویر‬ ‫به‬ ‫نیدیک‬ ‫که‬
‫ازه‬ ‫انا‬
5602
×
062
‫به‬
‫ای‬ ‫در‬ ‫تصاویر‬ ‫برش‬ ‫مناس‬ ‫ازه‬ ‫ان‬ ‫عنوا‬
‫و‬ ‫شا‬ ‫انتخااب‬ ‫الگاوریتا‬ ‫ن‬
‫به‬ ‫تصویر‬ ‫هر‬ ‫طریق‬ ‫ین‬ ‫ب‬
06
‫کوچک‬ ‫تصویر‬
‫بارش‬ . ‫شا‬ ‫داده‬ ‫برش‬ ‫تر‬
‫گوناه‬ ‫به‬ ‫کار‬ ‫این‬ ‫در‬ ‫اورتوفوتو‬ ‫تصویر‬ ‫هر‬
‫کاه‬ ‫اسات‬ ‫گرفتاه‬ ‫انجاام‬ ‫ای‬
‫کاکل‬
‫و‬ ‫بیشاتری‬ ‫دقات‬ ‫با‬ ‫الگوریتا‬ ‫و‬ ‫نشون‬ ‫داده‬ ‫برش‬ ‫ذرت‬ ‫گیاه‬ ‫های‬
‫کاکال‬ ‫دقیق‬ ‫و‬ ‫درست‬ ‫شناسایو‬ ‫به‬ ‫قادر‬ ‫نادرست‬ ‫تشخیص‬ ‫و‬ ‫ب‬
‫هاای‬
‫ذر‬
‫سش‬ . ‫باش‬ ‫ت‬
‫ه‬ ‫محصاورکنن‬ ‫کادرهاای‬ ‫رساا‬ ‫طریاق‬ ‫از‬ ‫تصااویر‬
9
‫کاکل‬ ‫اطرا‬
‫طریاق‬ ‫ین‬ ‫ب‬ ‫و‬ ‫ن‬ ‫ش‬ ‫زده‬ ‫برچس‬ ‫ذرت‬ ‫های‬
0600
‫کاادر‬
‫به‬ ‫داده‬ ‫مجموعه‬ ‫این‬ ‫برای‬ ‫ه‬ ‫محصورکنن‬
‫توجاه‬ ‫با‬ ‫آ‬ ‫از‬ ‫پ‬ . ‫آم‬ ‫دست‬
‫موجود‬ ‫ارد‬ ‫استان‬ ‫به‬
06
‫باقو‬ ‫دری‬
‫به‬ ‫تصویر‬ ‫(کل‬ ‫تصاویر‬ ‫ه‬ ‫مان‬
‫دو‬ ‫جای‬
‫برای‬ )‫چپ‬ ‫سمت‬ ‫از‬ ‫آخر‬ ‫ردیف‬
‫در‬ ‫آماوزش‬ ‫جهت‬ ‫مابقو‬ ‫و‬ ‫اعتبارسنجو‬
. ‫ن‬ ‫ش‬ ‫گرفته‬ ‫نظر‬
‫مدل‬ ‫شرح‬
YOLO06
(
Redmon, Divvala, Girshick, & Farhadi,
2016
)
‫شاابکه‬ ‫جملااه‬ ‫از‬
‫پیچشااو‬ ‫عصاابو‬ ‫هااای‬
00
(
Albawi,
9- Bounding Box
10- You Look Only Once
11- Convolutional Neural Network

6. 611
‫ماشين‬ ‫نشریه‬
‫جلد‬ ،‫کشاورزي‬ ‫هاي‬
31
‫شماره‬ ،
2
‫تابستان‬ ،
3042
Mohammed, & Al-Zawi, 2017
)
‫مرحلاه‬ ‫تاک‬ ‫الگوریتمو‬ ‫و‬
‫و‬ ‫ای‬
‫یک‬
‫ط‬ ‫از‬ ‫کاه‬ ‫اسات‬ ‫اشایا‬ ‫تشخیص‬ ‫برای‬ ‫پارچه‬
‫رساا‬ ‫ریاق‬
‫کادر‬
‫هاای‬
‫ه‬ ‫محصورکنن‬
‫بیا‬ ‫که‬ ‫معینس‬ ‫امتیاز‬ ‫با‬
‫ه‬ ‫کنن‬
‫کاادر‬ ‫در‬ ‫شو‬ ‫وجود‬ ‫احتمال‬
‫ماو‬ ‫آ‬ ‫باه‬ ‫مربوط‬ ‫برچس‬ ‫و‬ ‫شو‬ ‫آ‬ ‫شناسایو‬ ‫به‬ ‫استس‬
.‫پاردازد‬
‫ایان‬
‫مرحله‬ ‫تک‬ ‫جهت‬ ‫آ‬ ‫از‬ ‫الگوریتا‬
‫شناساایو‬ ‫عملیاات‬ ‫کاه‬ ‫گرفته‬ ‫نام‬ ‫ای‬
‫ماو‬ ‫انجاام‬ ‫یکبااره‬ ‫به‬ ‫را‬ ‫آ‬ ‫به‬ ‫برچس‬ ‫اختصاص‬ ‫و‬ ‫شو‬
‫اولاین‬ . ‫دها‬
‫سااال‬ ‫در‬ ‫آ‬ ‫نسااخه‬
5600
‫آ‬ ‫از‬ ‫پاا‬ ‫و‬ ‫شاا‬ ‫منتشاار‬
YOLOv2
(
Redmon & Farhadi, 2017
)
‫س‬
YOLOv3
(
Farhadi &
Redmon, 2018
)
‫س‬
YOLOv4
(
Bochkovskiy, Wang, &
Liao, 2020
)
‫س‬
YOLOv5
‫و‬
PP-YOLO
(
Long et al., 2020
)
‫با‬
‫سرعت‬ ‫و‬ ‫دقت‬ ‫بهبود‬ ‫ه‬
‫نسخه‬ ‫تشخیص‬
. ‫ن‬ ‫ش‬ ‫ارائه‬ ‫پیشین‬ ‫های‬
YOLOv5
‫الگاااااوریتا‬ ‫چهاااااار‬ ‫شاااااامل‬ ‫نیااااای‬ ‫خاااااود‬
YOLOv5s
‫س‬
YOLOv5m
‫س‬
YOLOv5l
‫و‬
YOLOv5x
‫بااااا‬
‫عمق‬
‫مختلف‬ ‫های‬
‫شبکه‬ ‫هرچه‬ .‫است‬
‫عمیق‬ ‫ای‬
‫تیه‬ ‫اد‬ ‫تع‬ ‫باش‬ ‫تر‬
‫هاای‬
‫به‬ ‫شبکه‬ ‫آموزش‬ ‫جهت‬ ‫بیشتری‬
‫ویژگو‬ ‫شبکه‬ ‫نتیجه‬ ‫در‬ ‫و‬ ‫رفته‬ ‫کار‬
‫های‬
‫مو‬ ‫را‬ ‫بیشتری‬
‫مو‬ ‫عمل‬ ‫تر‬ ‫کن‬ ‫و‬ ‫آموزد‬
‫طراحاو‬ ‫جهت‬ ‫بینس‬ ‫این‬ ‫در‬ . ‫کن‬
‫الگوریتا‬
‫کاکل‬ ‫شمارش‬ ‫و‬ ‫تشخیص‬
‫ذرت‬ ‫های‬
MYOLOv5s
‫توجه‬ ‫با‬
‫الگاوریتا‬ ‫از‬ ‫ا‬ ‫ابتا‬ ‫در‬ ‫داده‬ ‫پاردازش‬ ‫سیساتا‬ ‫ظرفیات‬ ‫به‬
YOLOv5s
‫به‬
‫کا‬ ‫عنوا‬
‫عمق‬
‫سریع‬ ‫و‬ ‫ترین‬
‫الگاوریتا‬ ‫باین‬ ‫از‬ ‫الگاوریتا‬ ‫تارین‬
‫هاای‬
‫مو‬ ‫استفاده‬ ‫نامبرده‬
‫پاره‬ ‫اعمال‬ ‫با‬ ‫سش‬ ‫و‬ ‫شود‬
‫س‬ ‫آ‬ ‫روی‬ ‫بار‬ ‫تغییرات‬ ‫ای‬
‫مختص‬ ‫بهبودیافته‬ ‫الگوریتا‬
‫کاکال‬ ‫اناواع‬ ‫شناساایو‬
‫ایجااد‬ ‫ذرت‬ ‫هاای‬
‫مو‬
.‫گردد‬
‫الگوریتم‬ ‫معماری‬
‫الگوریتا‬
MYOLOv5s
‫گرد‬ ‫س‬ ‫پشتبا‬ ‫شبکه‬ ‫قسمت‬ ‫سه‬ ‫از‬
‫سر‬ ‫و‬
‫شکل‬ ‫در‬ ‫الگوریتا‬ ‫این‬ ‫معماری‬ .‫است‬ ‫ه‬ ‫ش‬ ‫تشکیل‬
5
‫ه‬ ‫شا‬ ‫داده‬ ‫نشاا‬
. ‫ش‬ ‫خواه‬ ‫داده‬ ‫شرح‬ ‫معماری‬ ‫این‬ ‫جیئیات‬ ‫ادامه‬ ‫در‬ .‫است‬
‫ای‬
‫ا‬‫تمرک‬ ‫ااختارهای‬
‫ا‬‫س‬
0
‫او‬
‫ا‬‫پیچش‬ ‫س‬
5
(CONV)
‫س‬
C3
‫ارم‬
‫ا‬‫ه‬ ‫اام‬
‫ا‬‫ادال‬ ‫و‬
1- Focus
2- Convolutional
‫مکانو‬
0
(SPP)
(
He, Zhang, Ren, & Sun, 2015
)
‫پشاتبا‬ ‫شبکه‬
‫متقااطع‬ ‫جیئو‬ ‫مرتبه‬ ‫شبکه‬ ‫مبنای‬ ‫بر‬ ‫را‬ ‫شبکه‬
0
(CSPNet)
(
Wang
et al., 2020
)
‫مو‬ ‫شکل‬
‫به‬ ‫ا‬ ‫ابت‬ ‫قسمتس‬ ‫این‬ ‫در‬ . ‫دهن‬
‫تساریع‬ ‫منظاور‬
‫ویژگو‬ ‫نقشه‬ ‫یک‬ ‫الگوریتاس‬
2
‫جاباه‬ ‫مبناای‬ ‫بار‬ ‫ورودی‬ ‫تصویر‬ ‫از‬
‫جاایو‬
‫پیکسل‬
‫ها‬
0
(
Shi et al., 2016
)
‫تصاویر‬ ‫مکاانو‬ ‫ابعااد‬ ‫نصف‬ ‫ازه‬ ‫ان‬ ‫در‬
‫ورودی‬
‫و‬
05
‫پیچشو‬ ‫ساختار‬ ‫به‬ ‫و‬ ‫ه‬ ‫ش‬ ‫ایجاد‬ ‫تمرکی‬ ‫ساختار‬ ‫توسط‬ ‫بان‬
‫مو‬ ‫وارد‬
‫سااختار‬ ‫باه‬ ‫ه‬ ‫شا‬ ‫ایجاد‬ ‫تصویر‬ ‫س‬ ‫سش‬ .‫شود‬
C3
(
Jocher et
al., 2020
)
‫مشابه‬ ‫که‬
‫با‬
BottleneckCSP
(
Wang et al., 2020
)
‫مو‬ ‫وارد‬ ‫است‬ ‫پیچشو‬ ‫تیه‬ ‫سه‬ ‫با‬ ‫اما‬
‫طریا‬ ‫از‬ ‫تاا‬ ‫شود‬
‫ها‬ ‫بانا‬ ‫تقسایا‬ ‫ق‬
‫توساط‬ ‫ویژگو‬ ‫بیشتری‬ ‫اد‬ ‫تع‬ ‫یادگیری‬ ‫برای‬ ‫شرایط‬ ‫ساختار‬ ‫این‬ ‫توسط‬
‫سااختار‬ ‫از‬ ‫قسمتس‬ ‫این‬ ‫در‬ ‫نهایتس‬ ‫در‬ . ‫آی‬ ‫فراها‬ ‫الگوریتا‬
SPP
‫بارای‬
‫ویژگو‬ ‫ادالام‬
‫مقیاس‬ ‫با‬ ‫ها‬
‫بهره‬ ‫الگوریتا‬ ‫قابلیت‬ ‫افیایش‬ ‫و‬ ‫مختلف‬ ‫های‬
‫مو‬ ‫برده‬
.‫شود‬
3- Spatial Pyramid Pooling
4- Cross Stage Partial Network
5- Feature Map
6- Pixel Shuffling
)‫الف‬
‫در‬ ‫ه‬ ‫ش‬ ‫اخذ‬ ‫تصویر‬
56
‫جوتی‬
5656
a) Captured orthophotos on 
‫ب‬
)
‫در‬ ‫ه‬ ‫ش‬ ‫اخذ‬ ‫تصویر‬
50
‫جوتی‬
5656
b) Captured orthophotos on 
‫شکل‬
1
-
‫ه‬ ‫ش‬ ‫اخذ‬ ‫اورتوفوتو‬ ‫تصاویر‬
‫تاریخ‬ ‫در‬ ‫ذرت‬ ‫میرعه‬ ‫از‬
‫های‬
56
‫و‬
50
‫جوتی‬
Fig.. Captured orthophotos from corn farm on July & 

7. ،‫کرمی‬ ‫و‬ ‫ماهانی‬ ‫نژاد‬ ‫فالحت‬
‫کاکل‬ ‫خودکار‬ ‫شمارش‬ ‫و‬ ‫تشخيص‬
...‫آشکارساز‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫ذرت‬ ‫هاي‬
616
‫شکل‬
2
-
‫الگوریتا‬ ‫معماری‬
MYOLOv5s
Fig.2. MYOLOv5s architecture
‫شکل‬
3
-
‫ساختار‬
PANet
‫گر‬ ‫در‬ ‫ه‬ ‫ش‬ ‫استفاده‬
‫د‬
‫م‬
‫ل‬
Fig.. PANet structure used in the neck part of the model
‫الگوریتا‬ ‫در‬ ‫گرد‬
MYOLOv5s
‫مسایر‬ ‫تجمیاع‬ ‫شابکه‬ ‫نوع‬ ‫از‬
0
(PANet)
(Liu, Qi, Qin, Shi, & Jia, 2018)
‫هماا‬ .‫است‬
‫گوناه‬
‫شکل‬ ‫در‬ ‫که‬
0
‫شبکه‬ ‫است‬ ‫پی‬
PANet
‫مسایر‬ ‫یاک‬ ‫کارد‬ ‫اضاافه‬ ‫باا‬
‫هرماو‬ ‫ویژگاو‬ ‫شبکه‬ ‫به‬ ‫بات‬ ‫به‬ ‫پایین‬
5
(FPN)
(
Lin et al., 2017
)
‫س‬
‫پیچشاو‬ ‫سااختار‬ ‫یاک‬ ‫و‬ ‫پاایین‬ ‫باه‬ ‫بات‬ ‫مسیر‬ ‫یک‬ ‫از‬ ‫متشکل‬ ‫خود‬ ‫که‬
1- Path Aggregation Network
2- Feature Pyramid Network
‫مااو‬
‫ساااختا‬ .‫اساات‬ ‫ه‬ ‫شاا‬ ‫ایجاااد‬ ‫س‬ ‫باشاا‬
‫اتصااال‬ ‫رهای‬
0
(Concat)
‫س‬
‫نمونه‬
‫افیایشاو‬ ‫بارداری‬
0
‫س‬
‫پیچشاوس‬
C3
‫و‬
BottleneckCSP
‫اجایای‬
‫تشکیل‬
‫ه‬ ‫دهن‬
PANet
‫بهبودیافتاه‬ ‫نساخه‬ ‫در‬
MYOLOv5s
‫هساتن‬
‫و‬ ‫ازه‬ ‫انا‬ ‫باا‬ ‫اشایا‬ ‫شناساایو‬ ‫در‬ ‫الگاوریتا‬ ‫قابلیات‬ ‫افیایش‬ ‫ه‬ ‫با‬ ‫که‬
‫مقیاااس‬
‫گرفتااه‬ ‫قاارار‬ ‫یگر‬ ‫یکاا‬ ‫کنااار‬ ‫مختلااف‬ ‫هااای‬
‫قراردهااو‬ . ‫اناا‬
3- Concatenation
4- Up-Sampling

8. 611
‫ماشين‬ ‫نشریه‬
‫جلد‬ ،‫کشاورزي‬ ‫هاي‬
31
‫شماره‬ ،
2
‫تابستان‬ ،
3042
BottleneckCSP
‫به‬
‫با‬ ‫مشابه‬ ‫عملکردی‬ ‫با‬ ‫ساختاری‬ ‫عنوا‬
C3
‫با‬ ‫اما‬
‫الگاوریتا‬ ‫ایان‬ ‫در‬ ‫گارد‬ ‫اجایای‬ ‫ساایر‬ ‫کناار‬ ‫در‬ ‫بیشاتر‬ ‫پاارامتر‬ ‫اد‬ ‫تع‬
‫به‬
‫الگاوریتا‬ ‫پارامترهای‬ ‫اد‬ ‫تع‬ ‫افیایش‬ ‫سب‬ ‫طرح‬ ‫نوآورانه‬ ‫بخش‬ ‫عنوا‬
‫به‬
‫ویژگو‬ ‫یادگیری‬ ‫منظور‬
‫ماو‬ ‫بیشتر‬ ‫های‬
‫ازه‬ ‫انا‬ ‫باه‬ ‫توجاه‬ ‫باا‬ ‫و‬ ‫گاردد‬
‫داده‬ ‫مجموعه‬ ‫کوچک‬
HIPS
‫و‬
‫کاکال‬ ‫خااص‬ ‫شکل‬
‫نتاایج‬ ‫ذرت‬ ‫هاای‬
‫مو‬ ‫نتیجه‬ ‫را‬ ‫شو‬ ‫تشخیص‬ ‫بهتر‬
. ‫ده‬
‫معمااری‬ ‫در‬ ‫قسامت‬ ‫آخرین‬ ‫الگوریتا‬ ‫سر‬ ‫قسمت‬
MYOLOv5s
‫تیاه‬ ‫از‬ ‫متشاکل‬ ‫تشاخیص‬ ‫تیاه‬ ‫توسط‬ ‫که‬ ‫است‬
‫باه‬ ‫پیچشاو‬ ‫هاای‬
‫مو‬ ‫ورودی‬ ‫تصویر‬ ‫در‬ ‫اشیا‬ ‫نهایو‬ ‫تشخیص‬
‫ایان‬ ‫باه‬ ‫توجه‬ ‫با‬ .‫پردازد‬
‫کاه‬
‫الگااوریتا‬
YOLOv5s
‫طریااق‬ ‫از‬ ‫و‬ ‫اساات‬ ‫پیچشااو‬ ‫الگااوریتا‬ ‫یااک‬
‫ویژگو‬
‫مو‬ ‫آموزش‬ ‫ها‬
‫پیکسل‬ ‫و‬ ‫یاب‬
‫تصویر‬ ‫ویژگو‬ ‫نقشه‬ ‫در‬ ‫مجاور‬ ‫های‬
‫همبسته‬ ‫بسیار‬
‫تیاه‬ ‫افایود‬ ‫لاذاس‬ . ‫انا‬
‫مکاانو‬ ‫تصاادفو‬ ‫حاذ‬ ‫هاای‬
(Tompson, Goroshin, Jain, LeCun, & Bregler, 2015)
‫قبل‬
‫تیه‬ ‫از‬
‫بهبودیافته‬ ‫الگوریتا‬ ‫در‬ ‫سر‬ ‫قسمت‬ ‫پیچشو‬ ‫های‬
MYOLOv5s
‫به‬
‫نقشاه‬ ‫تصاادفو‬ ‫شا‬ ‫یافر‬ ‫ساب‬ ‫طرح‬ ‫نوآوری‬ ‫از‬ ‫بخشو‬ ‫عنوا‬
‫ویژگو‬
‫پیکسل‬ ‫بین‬ ‫همبستگو‬ ‫مییا‬ ‫هس‬ ‫ش‬ ‫ی‬ ‫دوبع‬ ‫های‬
‫کااهش‬ ‫را‬ ‫هاا‬
‫مو‬
‫س‬ ‫ده‬
‫بیش‬ ‫از‬
‫برازش‬
0
(
Hawkins, 2004
)
‫ماو‬ ‫جلاوگیری‬
‫دقات‬ ‫و‬ ‫کنا‬
‫مو‬ ‫بهبود‬ ‫را‬ ‫الگوریتا‬ ‫تشخیص‬
. ‫بخش‬
‫باه‬ ‫توجاه‬ ‫با‬ ‫استس‬ ‫ذکر‬ ‫به‬ ‫تزم‬
‫کاکال‬ ‫شاکل‬ ‫باود‬ ‫متفاوت‬ ‫دادهس‬ ‫مجموعه‬ ‫بود‬ ‫کوچک‬
‫ذرتس‬ ‫هاای‬
‫ویژگو‬ ‫برخو‬ ‫بود‬ ‫ود‬ ‫مح‬
‫کا‬ ‫و‬ ‫ها‬
‫از‬ ‫اساتفاده‬ ‫الگاوریتاس‬ ‫باود‬ ‫عماق‬
‫فعاال‬ ‫تابع‬
‫ساازی‬
Hardswish
(Howard et al., 2019)
‫جاای‬ ‫باه‬
SiLU
(Elfwing, Uchibe, & Doya, 2018)
‫اوریتا‬
‫ا‬‫الگا‬ ‫در‬
‫بهبودیافته‬
MYOLOv5s
‫منجار‬ ‫و‬ ‫ه‬ ‫ش‬ ‫محسوب‬ ‫طرح‬ ‫دیگر‬ ‫نوآوری‬
‫ویژگو‬ ‫یادگیری‬ ‫به‬
‫در‬ ‫بهتار‬ ‫عملکارد‬ ‫و‬ ‫الگاوریتا‬ ‫توساط‬ ‫بیشاتر‬ ‫های‬
‫کاکل‬ ‫تشخیص‬
‫مو‬ ‫متفاوت‬ ‫اشکال‬ ‫با‬ ‫ذرت‬ ‫های‬
.‫گردد‬
‫الگوریتم‬ ‫در‬ ‫شی‬ ‫تشخیص‬ ‫و‬ ‫آموزش‬ ‫جزئیات‬
‫الگوریتا‬ ‫در‬ ‫آموزش‬
MYOLOv5s
‫شبکه‬ ‫سایر‬ ‫مانن‬
‫عصبو‬ ‫های‬
‫روش‬ ‫طریاق‬ ‫از‬ ‫پیچشاو‬
‫پا‬
‫خطاا‬ ‫انتشاار‬
5
(
Leung & Haykin,
1991
)
‫مو‬ ‫انجام‬
‫داده‬ ‫ا‬ ‫ابت‬ ‫روشس‬ ‫این‬ ‫در‬ .‫گیرد‬
‫شابکه‬ ‫باه‬ ‫آموزش‬ ‫های‬
‫مو‬ ‫داده‬
‫و‬ ‫شون‬
‫ویژگو‬ ‫سش‬
‫آ‬ ‫های‬
‫جلو‬ ‫به‬ ‫رو‬ ‫حرکتو‬ ‫در‬ ‫ها‬
0
‫به‬ ‫تیه‬
‫مو‬ ‫طو‬ ‫را‬ ‫عمیق‬ ‫شبکه‬ ‫تیه‬
‫داده‬ ‫آماوزش‬ ‫شو‬ ‫شناسایو‬ ‫جهت‬ ‫تا‬ ‫کنن‬
‫گونه‬ ‫به‬ ‫آموزش‬ . ‫شون‬
‫مو‬ ‫انجام‬ ‫ای‬
‫اقل‬ ‫حا‬ ‫خطاا‬ ‫تاابع‬ ‫یاک‬ ‫که‬ ‫پذیرد‬
‫آموزش‬ ‫شبکه‬ ‫عملکرد‬ ‫ارزیابو‬ ‫جهت‬ ‫آ‬ ‫از‬ ‫پ‬ .‫گردد‬
‫باا‬ ‫شابکه‬ ‫یافتهس‬
‫داده‬
‫مو‬ ‫بررسو‬ ‫اعتبارسنجو‬ ‫های‬
‫ش‬
‫یورتو‬ ‫در‬ ‫و‬ ‫ود‬
‫آماوزش‬ ‫خطای‬ ‫که‬
‫داده‬ ً‫ا‬‫د‬ ‫مج‬ ‫باش‬ ‫زیاد‬
‫تیه‬ ‫طریق‬ ‫از‬ ‫ها‬
‫ماو‬ ‫داده‬ ‫برگشت‬ ‫ها‬
‫تاا‬ ‫و‬ ‫شاون‬
1- Overfitting
2- Back Propagation of Error
3- Feed Forward
‫زمانو‬
‫ن‬ ‫که‬
‫تیجه‬
‫نیدیک‬ ‫ای‬
‫کا‬ ‫خطای‬ ‫با‬ ‫و‬ ‫واقعو‬ ‫خروجو‬ ‫به‬ ‫تر‬
‫تر‬
‫دسات‬
‫مو‬ ‫تکرار‬ ‫قبل‬ ‫مراحل‬ ‫شود‬ ‫سشری‬ ‫تکرار‬ ‫معینو‬ ‫اد‬ ‫تع‬ ‫یا‬ ‫و‬ ‫آی‬
. ‫شاون‬
‫در‬
‫پایا‬
‫برا‬
‫ی‬
‫سنجش‬
‫ب‬
‫و‬
‫الگوریتا‬ ‫طرفانه‬
‫آموزش‬
‫ه‬ ‫دی‬
‫نها‬
‫یو‬
‫از‬
‫داده‬
‫ها‬
‫ی‬
‫آزمو‬
‫م‬ ‫استفاده‬
‫و‬
‫شود‬
.
‫تابع‬ ‫و‬ ‫شو‬ ‫شمارش‬ ‫و‬ ‫شناسایو‬ ‫طریقه‬ ‫ادامه‬ ‫در‬
. ‫ش‬ ‫خواهن‬ ‫داده‬ ‫شرح‬ ‫شبکه‬ ‫این‬ ‫در‬ ‫ه‬ ‫ش‬ ‫استفاده‬ ‫خطای‬
‫شی‬ ‫شمارش‬ ‫و‬ ‫شناسایی‬
‫مو‬ ‫انجام‬ ‫مرحله‬ ‫سه‬ ‫در‬ ‫الگوریتا‬ ‫این‬ ‫توسط‬ ‫شو‬ ‫شناسایو‬
‫در‬ .‫گیرد‬
‫ویژگو‬ ‫اس‬ ‫ابت‬
‫ورود‬ ‫تصویر‬ ‫ارزش‬ ‫با‬ ‫های‬
‫شابکه‬ ‫پشاتبا‬ ‫شبکه‬ ‫توسط‬ ‫ی‬
‫مو‬ ‫استخراج‬
‫شون‬
.
‫ویژگو‬ ‫این‬ ‫شبکه‬ ‫گرد‬ ‫قسمت‬ ‫در‬ ‫س‬ ‫سش‬
‫ها‬ ‫با‬ ‫ها‬
‫نقشه‬ ‫سه‬ ‫و‬ ‫ه‬ ‫ش‬ ‫آمیخته‬
‫و‬
‫ی‬
‫ژگا‬
‫و‬
‫باه‬
‫یاورت‬
S×S
‫باا‬ ‫مشابک‬ ‫شابکه‬
‫گام‬
‫های‬
2
‫س‬
00
‫و‬
05
‫افیا‬ ‫جهت‬
‫ی‬
‫ش‬
‫قابل‬
‫ی‬
‫ت‬
‫شناساا‬ ‫در‬ ‫شابکه‬
‫یو‬
‫اشا‬
‫ی‬
‫ا‬
‫کوچکس‬
‫و‬ ‫متوسط‬
‫بیر‬
‫مو‬ ‫شکل‬
‫در‬ ‫شاو‬ ‫تشاخیص‬ ‫آخارس‬ ‫در‬ . ‫دها‬
‫شبکه‬ ‫سر‬ ‫قسمت‬
‫برای‬ ‫ه‬ ‫محصورکنن‬ ‫کادر‬ ‫سه‬ ‫گرفتن‬ ‫نظر‬ ‫در‬ ‫طریق‬ ‫از‬
‫انجاام‬ ‫شاو‬ ‫باه‬ ‫کاادر‬ ‫بهتارین‬ ‫داد‬ ‫نسبت‬ ‫و‬ ‫مشبک‬ ‫شبکه‬ ‫سلول‬ ‫هر‬
‫مو‬
.‫گیرد‬
‫تعیین‬ ‫کادرهای‬ ‫اد‬ ‫تع‬
‫مشاخص‬ ‫را‬ ‫اشایا‬ ‫اد‬ ‫تعا‬ ‫انتهاا‬ ‫در‬ ‫ه‬ ‫شا‬
‫مو‬
‫نمایا‬ ‫یک‬ ‫هر‬ ‫ازه‬ ‫ان‬ ‫و‬ ‫کنن‬
.‫است‬ ‫نظر‬ ‫مورد‬ ‫شو‬ ‫ازه‬ ‫ان‬ ‫ه‬ ‫کنن‬
‫خطا‬ ‫تابع‬
‫الگوریتا‬ ‫خطا‬ ‫تابع‬
‫های‬
YOLO
‫امتیاز‬ ‫از‬ ‫ترکیبو‬ ‫آموزش‬ ‫طول‬ ‫در‬
‫بود‬ ‫شو‬
0
(
conf
L
‫س‬ ‫ک‬ ‫احتمال‬ ‫امتیاز‬ ‫)س‬
2
(
cl
L
‫رگرسیو‬ ‫امتیاز‬ ‫و‬ )
‫ه‬ ‫محصورکنن‬ ‫کادر‬
0
(
GIoU
L
‫است‬ )
(
Redmon et al., 2016
)
‫امتیاز‬ .
‫شو‬ ‫وجود‬ ‫احتمال‬ ‫س‬ ‫بود‬ ‫شو‬
‫درو‬
‫احتماال‬ ‫امتیاز‬ ‫هس‬ ‫محصورکنن‬ ‫کادر‬
‫رگرسایو‬ ‫امتیااز‬ ‫و‬ ‫شو‬ ‫هر‬ ‫برای‬ ‫زد‬ ‫درست‬ ‫برچس‬ ‫احتمال‬ ‫س‬ ‫ک‬
‫ه‬ ‫محصورکنن‬ ‫کادر‬
‫ها‬ ‫مییا‬
‫پیش‬ ‫ه‬ ‫محصورکنن‬ ‫کادر‬ ‫پوشانو‬
‫بینو‬
‫ه‬ ‫ش‬
‫کادر‬ ‫و‬
‫مو‬ ‫تعیین‬ ‫را‬ ‫حقیقو‬
‫در‬ . ‫کن‬
MYOLOv5s
‫شاو‬ ‫امتیاز‬ ‫خطای‬
‫س‬ ‫ک‬ ‫احتمال‬ ‫و‬
‫دودویاو‬ ‫متقااطع‬ ‫آنتروپو‬ ‫طریق‬ ‫از‬
7
‫تاابع‬ ‫باا‬ ‫هماراه‬
‫منطقو‬ ‫خطای‬
2
‫توسط‬ ‫ه‬ ‫محصورکنن‬ ‫کادر‬ ‫خطای‬ ‫و‬
‫پیراماو‬ ‫اشاتراک‬
‫اجتماع‬
‫کلو‬
9
(
GIoU
)
(
Rezatofighi et al., 2019
)
‫به‬
‫مو‬ ‫دست‬
. ‫آی‬
( ‫روابط‬ ‫در‬ ‫نامبرده‬ ‫خطای‬ ‫توابع‬
0
( ‫تا‬ )
0
‫ه‬ ‫ش‬ ‫داده‬ ‫نشا‬ )
: ‫ان‬
(
0
)
2
2
0 0
0 0
ˆ ˆ
log( ) (1 )log(1 )
ˆ ˆ
log( ) (1 )log(1 )
S B
obj
conf ij i i i i
i j
S B
noobj
noobj ij i i i i
i j
L I C C C C
I C C C C

 
 
 
    
 
 
   
 


(
5
)
2
0
ˆ ˆ
( )log( ( )) (1 ( ))log(1 ( ))
S
obj
cl ij i i i i
i c class
L I P c P c P c P c
 
 
    
 
 
4- Objectness Score
5- Class Probability Score
6- Bounding Box Regression Score
7- Binary Cross-Entropy
8- Logits Loss Function
9- Generalized Intersection Over Union

9. ،‫کرمی‬ ‫و‬ ‫ماهانی‬ ‫نژاد‬ ‫فالحت‬
‫کاکل‬ ‫خودکار‬ ‫شمارش‬ ‫و‬ ‫تشخيص‬
...‫آشکارساز‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫ذرت‬ ‫هاي‬
611
(
0
)
 
1
gt
gt
gt
GIoU
G b b
b b
G
b
L
b

 
(
0
)
GIoU conf cl
LOSS L L L
  
‫اط‬
‫ا‬‫رواب‬ ‫ان‬
‫ا‬‫ای‬ ‫در‬
S2
‫ابک‬
‫ا‬‫مش‬ ‫ابکه‬
‫ا‬‫ش‬ ‫اانگر‬
‫ا‬‫بی‬
S×S
‫و‬
B
‫اای‬
‫ا‬‫کادره‬
.‫است‬ ‫سلول‬ ‫هر‬ ‫داخل‬ ‫ه‬ ‫محصورکنن‬
noobj

‫ماو‬ ‫وز‬ ‫فاکتور‬
‫و‬ ‫باشا‬
obj
ij
I
‫و‬
noobj
ij
I
‫به‬ ‫داخل‬ ‫شو‬ ‫وجود‬ ‫یورت‬ ‫در‬
‫مقاادیر‬ ‫کادر‬ ‫ترتی‬
0
‫و‬
6
‫مو‬ ‫اتخاد‬ ‫را‬
‫اتفااق‬ ‫امار‬ ‫ایان‬ ‫بارعک‬ ‫شو‬ ‫نبود‬ ‫یورت‬ ‫در‬ ‫و‬ ‫نماین‬
‫مو‬
. ‫افت‬
ˆ
i
C
‫و‬
i
C
‫ه‬ ‫محصاورکنن‬ ‫کادرهاای‬ ‫قطعیت‬ ‫امتیاز‬ ‫نمایانگر‬ ‫نیی‬
‫پیش‬
‫مو‬ ‫حقیقو‬ ‫و‬ ‫ه‬ ‫ش‬ ‫بینو‬
‫پایش‬ ‫کاادر‬ ‫احتماال‬ . ‫باشن‬
‫و‬ ‫ه‬ ‫شا‬ ‫بیناو‬
‫اا‬
‫ا‬‫ب‬ ‫س‬ ‫ا‬
‫ا‬‫ک‬ ‫ار‬
‫ا‬‫ه‬ ‫ارای‬
‫ا‬‫ب‬ ‫ای‬
‫ا‬‫نی‬ ‫او‬
‫ا‬‫حقیق‬
ˆ ( )
i
P c
‫و‬
( )
i
P c
‫داده‬ ‫اایش‬
‫ا‬‫نم‬
‫مو‬
. ‫شون‬
b
‫و‬
gt
b
‫پایش‬ ‫ه‬ ‫محصاورکنن‬ ‫کادرهاای‬
‫را‬ ‫حقیقاو‬ ‫و‬ ‫بیناو‬
‫مو‬ ‫نشا‬
‫و‬ ‫دهن‬
G
‫کوچک‬
‫کاه‬ ‫است‬ ‫کادری‬ ‫ترین‬
b
‫و‬
gt
b
‫احاطاه‬ ‫را‬
‫مو‬
. ‫کن‬
‫پردازش‬ ‫جزئیات‬
‫اردازش‬
‫ا‬‫پ‬ ‫اامو‬
‫ا‬‫تم‬ ‫اارس‬
‫ا‬‫ک‬ ‫ان‬
‫ا‬‫ای‬ ‫در‬
‫ا‬
‫ا‬‫کول‬ ‫ال‬
‫ا‬‫گوگ‬ ‫اروی‬
‫ا‬‫س‬ ‫در‬ ‫اا‬
‫ا‬‫ه‬
0
(Bisong, 2019)
‫اا‬
‫ا‬‫ب‬
52
‫رم‬ ‫اه‬
‫ا‬‫حافظ‬ ‫ات‬‫ا‬‫گیگابای‬
5
(RAM)
‫و‬
‫ا‬
‫ا‬‫واح‬
‫گراف‬ ‫پاردازش‬
‫ی‬
‫کا‬
‫و‬
0
(GPU)
‫ل‬ ‫ما‬
Tesla P100
‫باا‬
00
‫گیگابایات‬
.‫گرفات‬ ‫انجام‬ ‫حافظه‬
MYOLOv5s
‫مبتنا‬
‫و‬
‫کتابخاناه‬ ‫بار‬
‫پاایتور‬
0
(
Paszke et al., 2019
)
‫پ‬
‫ی‬
‫اده‬
‫ساز‬
‫ی‬
.‫است‬ ‫ه‬ ‫ش‬
‫از‬ ‫ل‬ ‫م‬ ‫این‬
‫به‬
‫ی‬
‫نه‬
‫سااز‬
‫آدام‬
2
‫به‬ ‫جهت‬
‫روزرسان‬
‫و‬
‫وز‬
‫ها‬
‫آموزش‬ ‫طول‬ ‫در‬
‫م‬ ‫استفاده‬
‫و‬
‫کن‬
‫اد‬ ‫تع‬ .
‫تکرارها‬
0
‫شابکه‬ ‫این‬ ‫برای‬
566
‫دساته‬ ‫ازه‬ ‫انا‬ ‫و‬
7
‫تعیاین‬ ‫جهات‬
‫اد‬ ‫تعا‬
‫ورودی‬ ‫قال‬ ‫در‬ ‫که‬ ‫تصاویری‬
‫تکرار‬ ‫هر‬ ‫در‬
‫ارائه‬ ‫شبکه‬ ‫به‬
‫مو‬
‫گاردد‬
00
‫ه‬ ‫ش‬ ‫گرفته‬ ‫نظر‬ ‫در‬
. ‫ان‬
‫مدل‬ ‫ارزیابی‬
‫آ‬ ‫از‬ ‫پ‬
‫کاکال‬ ‫شناساایو‬ ‫که‬
‫گرفاتس‬ ‫انجاام‬ ‫شابکه‬ ‫توساط‬ ‫هاا‬
‫مجموعه‬
‫کادرهای‬ ‫از‬ ‫ای‬
‫و‬ ‫یفر‬ ‫بین‬ ‫امتیازی‬ ‫یک‬ ‫هر‬ ‫که‬ ‫ه‬ ‫محصورکنن‬
‫مو‬ ‫دارا‬ ‫را‬ ‫یک‬
‫به‬ ‫باشن‬
‫مو‬ ‫دست‬
‫ار‬ ‫مقا‬ ‫یاک‬ ‫گارفتن‬ ‫نظار‬ ‫در‬ ‫باا‬ . ‫آین‬
‫و‬ ‫امتیاز‬ ‫برای‬ ‫آستانه‬
‫اجتماع‬ ‫پیرامو‬ ‫اشتراک‬
(IoU)
‫بیاا‬ ‫کاه‬
‫ه‬ ‫کننا‬
‫ها‬ ‫ار‬ ‫مق‬
‫تشخیص‬ ‫و‬ ‫حقیقو‬ ‫ه‬ ‫محصورکنن‬ ‫کادر‬ ‫پوشانو‬
‫است‬ ‫ه‬ ‫ش‬ ‫داده‬
‫س‬
‫به‬ ‫که‬ ‫کادرهایو‬ ‫اد‬ ‫تع‬
‫شب‬ ‫توسط‬ ‫درستو‬
‫کاکل‬ ‫روی‬ ‫بر‬ ‫که‬
‫زده‬ ‫ذرت‬ ‫های‬
‫ه‬ ‫ش‬
‫ان‬
2
(TP)
‫کادرهای‬ ‫اد‬ ‫تع‬ ‫س‬
‫و‬
‫ه‬ ‫نشا‬ ‫زده‬ ‫اشتباه‬ ‫به‬ ‫که‬
‫انا‬
9
(FN)
‫و‬
1- Google Colab
2- Random-Access Memory
3- Graphics Processing Unit
4- Pytorch
5- Adam
6- Epoch
7- Batch Size
8- True Positive
‫محل‬ ‫در‬ ً‫ا‬‫اشتباه‬ ‫که‬ ‫کادرهایو‬ ‫اد‬ ‫تع‬
‫ه‬ ‫شا‬ ‫زده‬ ‫دیگار‬ ‫هاای‬
‫انا‬
06
(FP)
( ‫ارزیابو‬ ‫معیارهای‬ ‫مقادیر‬ ‫این‬ ‫از‬ ‫استفاده‬ ‫با‬ . ‫هستن‬ ‫محاسبه‬ ‫قابل‬
2
‫تاا‬ )
(
2
‫مو‬ ‫محاسبه‬ )
‫شون‬
(
Sokolova, Japkowicz, & Szpakowicz,
2006
)
:
(
2
)
Precision
TP
TP FP


(
0
)
Recall
TP
TP FN


(
7
)
 
1
1
2
TP
F
TP FP FN

 
(
2
)
TP TN
Accuracy
TP FP TN FN


  
‫دقت‬ ‫ه‬ ‫ش‬ ‫ذکر‬ ‫روابط‬ ‫در‬
00
‫اد‬ ‫تع‬ ‫بیانگر‬
‫تشخیص‬
‫انجام‬ ‫های‬
‫گرفته‬
‫یحیح‬
‫س‬
‫یادآوری‬
05
‫اد‬ ‫تعا‬ ‫بیاانگر‬
‫کاکال‬
‫هاایو‬
‫اشاتباه‬ ‫باه‬ ‫کاه‬ ‫اسات‬
‫ه‬ ‫نشا‬ ‫داده‬ ‫تشخیص‬
‫انا‬
‫س‬
‫معیاار‬
‫امتیااز‬
F1
‫و‬ ‫دقات‬ ‫متاواز‬ ‫میاانگین‬
‫احت‬
‫ا‬‫ی‬ ‫و‬ ‫اادآوری‬
‫ا‬‫ی‬
00
‫اخیص‬
‫ا‬‫تش‬ ‫این‬
‫ا‬‫ب‬ ‫ابت‬
‫ا‬‫نس‬
‫ال‬
‫ا‬‫ک‬ ‫اه‬
‫ا‬‫ب‬ ‫احیح‬
‫ا‬‫ی‬ ‫اای‬
‫ا‬‫ه‬
‫تشخیص‬
‫امتیاز‬ ‫معیار‬ .‫است‬ ‫ها‬
F1
‫را‬ ‫شبکه‬ ‫عملکرد‬ ‫یحت‬ ‫و‬
‫حالت‬ ‫در‬
‫کلو‬
‫مو‬ ‫نشا‬
‫ده‬
‫ن‬
.
‫دقت‬ ‫منحنو‬ ‫زیر‬ ‫سطح‬ ‫گرفتن‬ ‫نظر‬ ‫در‬ ‫با‬
-
‫میانگین‬ ‫دقت‬ ‫یادآوری‬
00
‫به‬
‫مو‬ ‫دست‬
‫آی‬
(
Zhu, 2004
)
:
1
0
( )
AP p r dr
  (
9
)
‫رابطه‬ ‫این‬ ‫در‬
( )
p r
‫یادآوری‬ ‫ار‬ ‫مق‬ ‫در‬ ‫دقت‬ ‫بیشینه‬ ‫ار‬ ‫مق‬
r
.‫است‬
‫به‬
‫به‬ ‫نتایج‬ ‫مقایسه‬ ‫منظور‬
‫روش‬ ‫توسط‬ ‫ه‬ ‫آم‬ ‫دست‬
‫بار‬ ‫مبتناو‬ ‫هاای‬
‫روش‬ ‫با‬ ‫تشخیص‬
‫معیار‬ ‫ادی‬ ‫تع‬ ‫شمارشس‬ ‫بر‬ ‫مبتنو‬ ‫های‬
‫رواباط‬ ‫در‬ ‫کاه‬
(
06
( ‫و‬ )
00
‫ه‬ ‫شا‬ ‫داده‬ ‫نشا‬ )
‫انا‬
‫روش‬ ‫عملکارد‬ ‫ارزیاابو‬ ‫جهات‬
‫هاای‬
‫کاکل‬ ‫شمارش‬ ‫در‬ ‫مختلف‬
‫ه‬ ‫شا‬ ‫اساتفاده‬ ‫مقالاه‬ ‫ایان‬ ‫در‬ ‫ذرت‬ ‫های‬
‫انا‬
(
Chicco, Warrens, & Jurman, 2021
)
:
(
06
)
 
2
1
1 N
j j
RMSE g c
N
 

(
00
)
 
 
2
2
2
1
j j
j
j
j
g c
R
g g

 



‫ضر‬
‫ی‬
‫ت‬
‫بیی‬
‫ن‬
R2
‫نشا‬
‎
‫اد‬ ‫تع‬ ‫بین‬ ‫همبستگو‬ ‫مییا‬ ‫ه‬ ‫دهن‬
‫حقیقاو‬
‫کاکل‬
‫به‬ ‫اد‬ ‫تع‬ ‫و‬ ‫ذرت‬ ‫های‬
‫دست‬
‫ه‬ ‫آم‬
‫آ‬
‫الگاوریتا‬ ‫توساط‬ ‫هاا‬
‫معیاار‬ ‫و‬
9- False Negative
10- False Positive
11- Precision
12- Recall
13- Accuracy
14- Average Precision (AP)

10. 611
‫ماشين‬ ‫نشریه‬
‫جلد‬ ،‫کشاورزي‬ ‫هاي‬
31
‫شماره‬ ،
2
‫تابستان‬ ،
3042
‫مربعات‬ ‫میانگین‬ ‫جذر‬ ‫خطای‬
0
(RMSE)
‫بیا‬
‫ایان‬ ‫باین‬ ‫اخت‬ ‫ه‬ ‫کنن‬
.‫است‬ ‫ار‬ ‫مق‬ ‫دسته‬ ‫دو‬
‫روابطس‬ ‫این‬ ‫در‬
N
‫س‬ ‫آزمو‬ ‫تصاویر‬ ‫اد‬ ‫تع‬
j
c
‫و‬
j
g
‫به‬
‫اد‬ ‫تعا‬ ‫ترتی‬
‫کاکل‬
‫به‬ ‫ذرت‬ ‫های‬
‫دست‬
‫آ‬ ‫حقیقاو‬ ‫اد‬ ‫تعا‬ ‫و‬ ‫الگاوریتا‬ ‫توسط‬ ‫ه‬ ‫آم‬
‫هاا‬
‫تصویر‬ ‫برای‬
j
‫ام‬
‫و‬
g
‫کاکال‬ ‫حقیقو‬ ‫اد‬ ‫تع‬ ‫میانگین‬
‫بارای‬ ‫ذرت‬ ‫هاای‬
‫آزمو‬ ‫تصاویر‬
.‫است‬
‫ثانیه‬ ‫بر‬ ‫فریا‬ ‫اد‬ ‫تع‬
5
(fps)
‫ارزیاابو‬ ‫بارای‬ ‫کاه‬ ‫است‬ ‫دیگری‬ ‫معیار‬
.‫است‬ ‫ه‬ ‫ش‬ ‫استفاده‬ ‫مقاله‬ ‫این‬ ‫در‬ ‫الگوریتا‬ ‫عملکرد‬ ‫سرعت‬
‫بحث‬ ‫و‬ ‫نتایج‬
‫اوریتا‬
‫ا‬‫الگ‬ ‫ارد‬
‫ا‬‫عملک‬ ‫ا‬ ‫ا‬
‫ا‬‫ابت‬ ‫امت‬
‫ا‬‫قس‬ ‫ان‬
‫ا‬‫ای‬ ‫در‬
‫امارش‬
‫ا‬‫ش‬ ‫و‬ ‫اخیص‬
‫ا‬‫تش‬
‫کاکل‬
‫ذرت‬ ‫گیاه‬ ‫های‬
MYOLOv5s
‫الگوریتا‬ ‫با‬
YOLOv5s
‫مقایسه‬
‫مو‬
‫اعمال‬ ‫اثر‬ ‫در‬ ‫الگوریتا‬ ‫عملکرد‬ ‫بهبود‬ ‫اثبات‬ ‫از‬ ‫پ‬ ‫و‬ ‫شود‬
‫تغییارات‬
‫الگوریتا‬ ‫سایر‬ ‫با‬ ‫الگوریتا‬ ‫این‬
‫طراحو‬ ‫های‬
‫و‬ ‫مقایسه‬ ‫زمینه‬ ‫این‬ ‫در‬ ‫ه‬ ‫ش‬
‫مو‬ ‫بررسو‬ ‫یک‬ ‫هر‬ ‫عملکرد‬
‫عملکارد‬ ‫بار‬ ‫امتیااز‬ ‫تااثیر‬ ‫همچناین‬ .‫شود‬
‫الگوریتا‬
‫تشخیص‬ ‫بر‬ ‫مبتنو‬ ‫های‬
‫کاکل‬ ‫شمارش‬ ‫و‬
‫ذرت‬ ‫گیااه‬ ‫های‬
‫نیای‬
‫مو‬ ‫قرار‬ ‫ارزیابو‬ ‫مورد‬
.‫گیرد‬
‫مدل‬ ‫مقایسه‬
‫بهبودیافته‬ ‫و‬ ‫اصلی‬ ‫های‬
YOLOv5s
‫ول‬ ‫ج‬ ‫در‬
0
‫مقایسه‬
‫کاکال‬ ‫تشخیص‬ ‫از‬ ‫حایل‬ ‫نتایج‬ ‫بین‬ ‫ای‬
‫هاای‬
‫الگوریتا‬ ‫آزمود‬ ‫مرحله‬ ‫در‬ ‫ذرت‬
‫هاای‬
YOLOv5s
‫و‬
MYOLOv5s
‫ازای‬ ‫به‬
26
‫آماوزشس‬ ‫داده‬ ‫دریا‬
06
‫و‬ ‫اعتبارسانجو‬ ‫داده‬ ‫دریا‬
06
‫باا‬ ‫استس‬ ‫پی‬ ‫ول‬ ‫ج‬ ‫از‬ ‫که‬ ‫چنانچه‬ .‫است‬ ‫گرفته‬ ‫انجام‬ ‫آزمو‬ ‫داده‬ ‫دری‬
‫شابکهس‬ ‫ااری‬
‫ا‬‫معم‬ ‫در‬ ‫حات‬ ‫ایا‬ ‫اعماال‬
26
/
5
‫ات‬
‫ا‬‫دق‬ ‫در‬ ‫بهباود‬ ‫ا‬
‫ا‬‫دری‬
‫کاکل‬ ‫تشخیص‬
‫مو‬ ‫حایل‬ ‫ذرت‬ ‫های‬
‫شاود‬
‫اد‬ ‫تعا‬ ‫افایایش‬ ‫بیاانگر‬ ‫کاه‬
‫کاکل‬
‫به‬ ‫ذرت‬ ‫های‬
‫د‬ ‫تشخیص‬ ‫درستو‬
‫پیشانهادی‬ ‫روش‬ ‫توسط‬ ‫ه‬ ‫ش‬ ‫اده‬
‫نوآوری‬ ‫بود‬ ‫موثر‬ ‫و‬
.‫است‬ ‫ه‬ ‫ش‬ ‫گرفته‬ ‫درنظر‬ ‫های‬
‫جدول‬
1
-
‫روش‬ ‫میانگین‬ ‫دقت‬ ‫مقایسه‬
‫های‬
YOLOv5s
‫و‬
MYOLOv5s
Table - Comparison between the AP values of
YOLOvs and MYOLOvs algorithms
‫میانگین‬ ‫دقت‬
AP (%)
‫الگوریتم‬
Algorithm

YOLOvs

MYOLOvs
‫روش‬ ‫سایر‬ ‫با‬ ‫مقایسه‬
‫شی‬ ‫شمارش‬ ‫و‬ ‫تشخیص‬ ‫های‬
1- Root Mean Square Error
2- Frame Per Second
‫روش‬ ‫شمارش‬ ‫و‬ ‫تشخیص‬ ‫دقت‬ ‫بررسی‬
‫ها‬
‫اوریتا‬
‫ا‬‫الگا‬ ‫ارد‬
‫ا‬‫عملکا‬
MYOLOv5s
‫امارش‬
‫ا‬‫شا‬ ‫و‬ ‫اخیص‬
‫ا‬‫تشا‬ ‫در‬
‫کاکاال‬
‫باار‬ ‫مبتنااو‬ ‫الگااوریتا‬ ‫یااک‬ ‫بااا‬ ‫آزمااو‬ ‫تصاااویر‬ ‫ذرت‬ ‫هااای‬
‫شمارش‬
TasselNetv2+
(
Lu & Cao, 2020
)
‫مبتنو‬ ‫الگوریتا‬ ‫دو‬ ‫و‬
‫تشاخیص‬ ‫بار‬
Faster R-CNN
(
Liu et al., 2020
)
‫و‬
RetinaNet
(
Zou et al., 2020
)
.‫اساات‬ ‫ه‬ ‫شاا‬ ‫مقایسااه‬
TasselNetv2+
‫و‬
RetinaNet
‫پیااده‬ ‫پاایتور‬ ‫کتابخاناه‬ ‫در‬
‫ه‬ ‫شا‬ ‫ساازی‬
‫اوریتا‬
‫ا‬‫الگ‬ ‫و‬ ‫انا‬
Faster R-CNN
‫کتابخاناه‬ ‫بار‬ ‫مبتناو‬
‫تنساورفلو‬
0
(
Dillon et al.,
2017
)
‫مو‬
‫روش‬ ‫مقایسه‬ ‫برای‬ ‫همچنینس‬ . ‫باش‬
‫از‬ ‫برابارس‬ ‫شارایط‬ ‫در‬ ‫هاا‬
‫قرینه‬
‫سازی‬
0
‫افقاو‬
26
‫داده‬ ‫از‬ ‫دریا‬
‫جهات‬ ‫هاا‬
‫داده‬
‫افیایاو‬
2
‫اساتفاده‬
‫مو‬
‫به‬ ‫الگوریتا‬ ‫هر‬ ‫عملکرد‬ ‫بهترین‬ ‫و‬ ‫شود‬
‫تکرا‬ ‫اد‬ ‫تع‬ ‫ازای‬
‫ازه‬ ‫انا‬ ‫و‬ ‫رهاا‬
‫داده‬ .‫است‬ ‫ه‬ ‫ش‬ ‫گرفته‬ ‫نظر‬ ‫در‬ ‫بهینه‬ ‫دسته‬
‫و‬ ‫اعتبارسنجو‬ ‫آموزشس‬ ‫های‬
‫الگاوریتا‬ ‫تماامو‬ ‫بارای‬ ‫نیای‬ ‫ه‬ ‫ش‬ ‫استفاده‬ ‫آزمو‬
. ‫هساتن‬ ‫یکساا‬ ‫هاا‬
‫روش‬ ‫آموزش‬ ‫جیییات‬
‫ول‬ ‫ج‬ ‫در‬ ‫ها‬
5
.‫است‬ ‫ه‬ ‫ش‬ ‫آورده‬
‫هما‬
‫شکل‬ ‫در‬ ‫که‬ ‫گونه‬
0
‫ازه‬ ‫انا‬ ‫مقاادیر‬ ‫اسات‬ ‫ه‬ ‫شا‬ ‫داده‬ ‫نشاا‬
‫ل‬ ‫ما‬ ‫برای‬ ‫تکرار‬ ‫و‬ ‫دسته‬
MYOLOv5s
‫باه‬
‫ازای‬ ‫باه‬ ‫بهیناه‬ ‫یاورت‬
‫باه‬ ‫الگوریتا‬ ‫عملکرد‬ ‫بهترین‬
‫ه‬ ‫آما‬ ‫دسات‬
‫شاکل‬ ‫ایان‬ ‫در‬ . ‫انا‬
‫مقاادیر‬
‫دقت‬
‫به‬ ‫میانگین‬ ‫های‬
‫الگوریتا‬ ‫برای‬ ‫ه‬ ‫آم‬ ‫دست‬
MYOLOv5s
‫به‬
‫ازای‬
‫دسته‬ ‫ازه‬ ‫ان‬
‫مختلاف‬ ‫هاای‬
0
‫س‬
2
‫و‬
00
‫در‬
26
‫س‬
066
‫س‬
026
‫س‬
566
‫و‬
526
‫هما‬ .‫است‬ ‫ه‬ ‫ش‬ ‫داده‬ ‫نشا‬ ‫تکرار‬
‫اسات‬ ‫پی‬ ‫شکل‬ ‫از‬ ‫که‬ ‫گونه‬
‫عملکارد‬
‫ازای‬ ‫به‬ ‫شبکه‬ ‫بهینه‬
566
‫دسته‬ ‫ازه‬ ‫ان‬ ‫و‬ ‫تکرار‬
00
‫به‬
‫ماو‬ ‫دسات‬
‫و‬ ‫آیا‬
‫بیش‬ ‫آ‬ ‫از‬ ‫پ‬
‫مو‬ ‫رخ‬ ‫برازش‬
‫ازه‬ ‫ان‬ ‫مقادیر‬ ‫که‬ ‫است‬ ‫ذکر‬ ‫به‬ ‫تزم‬ . ‫ده‬
‫از‬ ‫بیشتر‬ ‫دسته‬
00
‫ودیت‬ ‫(محا‬ ‫پردازشو‬ ‫سیستا‬ ‫ظرفیت‬ ‫م‬ ‫ع‬ ‫علت‬ ‫به‬
RAM
‫ه‬ ‫نش‬ ‫بررسو‬ )‫استفاده‬ ‫مورد‬ ‫گرافیک‬ ‫کارت‬ ‫به‬ ‫مربوط‬
. ‫ان‬
‫بارای‬
‫ا‬ ‫سایر‬
‫لگاوریتا‬
‫نیای‬ ‫هاا‬
‫مقاادیر‬ ‫باه‬ ‫توجاه‬ ‫باا‬ ‫نیای‬ ‫بهیناه‬ ‫پارامترهاای‬
‫گیارش‬
‫تاوا‬ ‫ودیت‬ ‫مح‬ ‫و‬ ‫موجود‬ ‫داده‬ ‫پایگاه‬ ‫مربوطهس‬ ‫مقاتت‬ ‫در‬ ‫ه‬ ‫ش‬
‫ه‬ ‫ش‬ ‫انتخاب‬ ‫پردازشو‬ ‫سیستا‬
. ‫ان‬
‫الگاوریتا‬ ‫میاانگین‬ ‫دقت‬ ‫همگرایو‬ ‫نمودار‬
MYOLOv5s
‫در‬ ‫نیای‬
‫شکل‬
2
‫انتخااب‬ ‫منحناو‬ ‫ایان‬ ‫به‬ ‫توجه‬ ‫با‬ .‫است‬ ‫ه‬ ‫ش‬ ‫داده‬ ‫نشا‬
566
‫تک‬
‫مو‬ ‫مناس‬ ‫شبکه‬ ‫آموزش‬ ‫جهت‬ ‫رار‬
. ‫باش‬
‫و‬ ‫میانگین‬ ‫دقت‬ ‫از‬ ‫حایل‬ ‫نتایج‬
R2
‫داده‬ ‫روی‬ ‫بر‬
‫اعتبارسنجو‬ ‫های‬
‫نیااز‬ ‫مورد‬ ‫آموزش‬ ‫زما‬ ‫و‬
‫ول‬ ‫جا‬ ‫در‬
0
‫نشاا‬ ‫کاه‬ ‫اسات‬ ‫ه‬ ‫شا‬ ‫آورده‬
‫مو‬
‫ویژگو‬ ‫پیشنهادی‬ ‫روش‬ ‫ده‬
‫کاکال‬ ‫هاای‬
‫یااد‬ ‫بیشاتر‬ ‫را‬ ‫ذرت‬ ‫هاای‬
‫آ‬ ‫باتتری‬ ‫دقت‬ ‫با‬ ‫و‬ ‫گرفته‬
‫مو‬ ‫تشخیص‬ ‫را‬ ‫ها‬
‫زماا‬ ‫همچناین‬ . ‫دها‬
‫آموزش‬
MYOLOv5s
‫روش‬ ‫دیگار‬ ‫با‬ ‫مقایسه‬ ‫در‬
‫بررساو‬ ‫هاای‬
‫ه‬ ‫شا‬
.‫است‬ ‫کمتر‬
‫کاکل‬ ‫شمارش‬ ‫و‬ ‫تشخیص‬ ‫بصری‬ ‫و‬ ‫کمو‬ ‫نتایج‬
‫توساط‬ ‫ذرت‬ ‫های‬
3- Tensorflow
4- Flip
5- Data Augmentation

11. ،‫کرمی‬ ‫و‬ ‫ماهانی‬ ‫نژاد‬ ‫فالحت‬
‫کاکل‬ ‫خودکار‬ ‫شمارش‬ ‫و‬ ‫تشخيص‬
...‫آشکارساز‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫ذرت‬ ‫هاي‬
611
‫الگوریتا‬
‫ول‬ ‫ج‬ ‫در‬ ‫نیی‬ ‫آزمود‬ ‫زما‬ ‫در‬ ‫نامبرده‬ ‫های‬
0
‫شکل‬ ‫و‬
0
‫ه‬ ‫آما‬
.‫است‬
‫از‬ ‫حایل‬ ‫نتایج‬ ‫مقایسه‬ ‫از‬
‫اول‬ ‫ج‬
0
‫و‬
0
‫و‬
‫مقاادیر‬ ‫باود‬ ‫نیدیاک‬
‫به‬
‫دس‬
‫ت‬
‫شبکه‬ ‫آزمود‬ ‫و‬ ‫آموزش‬ ‫ه‬ ‫آم‬
‫مو‬ ‫ها‬
‫مقاادیر‬ ‫کاه‬ ‫دریافات‬ ‫تاوا‬
‫الگوریتا‬ ‫آموزش‬ ‫پارامترهای‬
‫بیش‬ ‫و‬ ‫ه‬ ‫گردی‬ ‫انتخاب‬ ‫خوبو‬ ‫به‬ ‫ها‬
‫برازش‬
.‫ات‬
‫ا‬‫اس‬ ‫اده‬ ‫ا‬
‫ا‬‫ن‬ ‫رخ‬
‫اا‬
‫ا‬‫هم‬
‫ول‬ ‫ا‬
‫ا‬‫ج‬ ‫از‬ ‫اه‬
‫ا‬‫ک‬ ‫اه‬
‫ا‬‫گون‬
0
‫اوریتا‬
‫ا‬‫الگ‬ ‫ات‬
‫ا‬‫اس‬ ‫پی‬
MYOLOv5s
‫ماو‬ ‫قادر‬
‫دقات‬ ‫و‬ ‫یاادآوری‬ ‫دقاتس‬ ‫مقاادیر‬ ‫کاه‬ ‫باشا‬
‫با‬ ‫معادل‬ ‫میانگین‬
22
/
90
‫س‬
97
/
90
‫و‬
06
/
92
‫به‬ ‫را‬ ‫دری‬
‫به‬ ‫ترتی‬
‫دست‬
.‫آورد‬
‫شکل‬
4
-
‫تکرار‬ ‫و‬ ‫دسته‬ ‫ازه‬ ‫ان‬ ‫پارامترهای‬ ‫بهینه‬ ‫ار‬ ‫مق‬ ‫تعیین‬
MYOLOv5s
Fig.4. MYOLOv5s determination of the optimal batch-size and epoch values
‫شکل‬
5
-
‫الگوریتا‬ ‫میانگین‬ ‫دقت‬ ‫همگرایو‬ ‫منحنو‬
MYOLOv5s
Fig.. AP convergence plot of MYOLOvs algorithm
‫جدول‬
2
-
‫پارامترهای‬ ‫تنظیا‬
‫داده‬ ‫مجموعه‬
HIPS
‫الگوریتا‬ ‫توسط‬
‫مختلف‬ ‫های‬
Table 2- Parameter setting of HIPS dataset by different methods
‫الگوریتم‬
Algorithm
‫تصاویر‬ ‫تعداد‬
‫آموزش‬
NO. Train
‫تعداد‬
‫تصاویر‬
‫اعتبارسنجی‬
NO. Validation
‫تصاویر‬ ‫تعداد‬
‫آزمون‬
NO. Test
‫دسته‬ ‫اندازه‬
Batch Size
‫تکرار‬ ‫تعداد‬
Epoch
‫بهینه‬ ‫روش‬
‫سازی‬
Optimization
method
TasselNetv+
(mixed with
validation data)

 
 
 
 SGD
Faster R-CNN 
 
 
 
 
 SGD
RetinaNet 
 
 
 
 
 Adam
MYOLOvs 
 
 
 
 
 Adam

12. 611
‫ماشين‬ ‫نشریه‬
‫جلد‬ ،‫کشاورزي‬ ‫هاي‬
31
‫شماره‬ ،
2
‫تابستان‬ ،
3042
‫جدول‬
3
-
‫و‬ ‫میانگین‬ ‫دقت‬ ‫مقایسه‬
R2
‫به‬
‫دست‬
‫الگوریتا‬ ‫توسط‬ ‫ه‬ ‫آم‬
‫آموزش‬ ‫مرحله‬ ‫در‬ ‫مختلف‬ ‫های‬
Table - Comparison among the AP and R
values obtained by different algorithms in training step
‫الگوریتم‬
Algorithm
‫میانگین‬ ‫دقت‬
AP (%)
R
(%)
 ‫ثانیه‬ ‫بر‬ ‫فریم‬ ‫تعداد‬
FPS
TasselNetv+ 
 
 

Faster R-CNN 
 
 

RetinaNet 
 
 

MYOLOvs 
 
 

‫جدول‬
4
-
‫روش‬ ‫پردازش‬ ‫سرعت‬ ‫و‬ ‫عملکرد‬ ‫مقایسه‬
‫داده‬ ‫مجموعه‬ ‫آزمو‬ ‫تصاویر‬ ‫روی‬ ‫بر‬ ‫مختلف‬ ‫های‬
HIPS
Table 4- Comparison of performance and inference time of different methods on HIPS test images
‫الگاوریتا‬ ‫بارای‬ ‫مقادیر‬ ‫این‬
Faster R-CNN
‫باه‬
‫ترتیا‬
02
/
90
‫س‬
22
/
25
‫س‬
99
/
70
‫الگوریتا‬ ‫برای‬ ‫و‬ ‫دری‬
RetinaNet
‫به‬
‫ترتی‬
09
/
95
‫س‬
60
/
22
‫و‬
00
/
77
‫الگوریتا‬ ‫دقت‬ ‫باتی‬ ‫ار‬ ‫مق‬ .‫است‬ ‫ه‬ ‫ش‬ ‫گیارش‬ ‫دری‬
MYOLOv5s
‫الگوریتا‬ ‫سایر‬ ‫به‬ ‫نسبت‬
‫آ‬ ‫بهتار‬ ‫عملکارد‬ ‫از‬ ‫حاکو‬ ‫ها‬
‫ال‬
‫ا‬‫کاک‬ ‫از‬ ‫اتری‬
‫ا‬‫بیش‬ ‫اد‬ ‫ا‬
‫ا‬‫تع‬ ‫ات‬
‫ا‬‫درس‬ ‫اخیص‬
‫ا‬‫تش‬ ‫در‬
‫دو‬ ‫ابت‬
‫ا‬‫نس‬ ‫ذرت‬ ‫اای‬
‫ا‬‫ه‬
‫الگااوریتا‬ .‫اساات‬ ‫دیگاار‬ ‫الگااوریتا‬
Faster R-CNN
‫بااه‬ ‫نساابت‬
‫الگوریتا‬
‫های‬
MYOLOv5s
‫و‬
RetinaNet
‫را‬ ‫کمتری‬ ‫یادآوری‬ ‫ار‬ ‫مق‬
‫از‬ ‫بسایاری‬ ‫الگاوریتا‬ ‫ایان‬ ‫در‬ ‫اسات‬ ‫ایان‬ ‫نمایاانگر‬ ‫کاه‬ ‫کارده‬ ‫کس‬
‫کاکل‬
‫ه‬ ‫نش‬ ‫داده‬ ‫تشخیص‬ ‫ذرت‬ ‫های‬
‫بارای‬ ‫ار‬ ‫مق‬ ‫این‬ . ‫ان‬
RetinaNet
‫با‬ ‫مقایسه‬ ‫در‬ ‫نیی‬
MYOLOv5s
‫س‬
90
/
0
‫باا‬ ‫لاذاس‬ .‫اسات‬ ‫کمتار‬ ‫دریا‬
‫مو‬ ‫مقادیر‬ ‫این‬ ‫مقایسه‬
‫کا‬ ‫از‬ ‫زیادی‬ ‫اد‬ ‫تع‬ ‫که‬ ‫دریافت‬ ‫توا‬
‫کل‬
‫گیااه‬ ‫های‬
‫ها‬ ‫و‬ ‫متفاوت‬ ‫خاصس‬ ‫شکل‬ ‫به‬ ‫توجه‬ ‫با‬ ‫ذرت‬
‫به‬ ‫دارن‬ ‫که‬ ‫باتیو‬ ‫پوشانو‬
‫الگاوریتا‬ ‫توساط‬ ‫آسانو‬
‫هاای‬
Faster-RCNN
‫و‬
RetinaNet
‫قابال‬
‫کاکل‬ ‫تنها‬ ‫و‬ ‫نیستن‬ ‫تشخیص‬
‫الگاوریتا‬ ‫ایان‬ ‫توساط‬ ‫واضاح‬ ‫هاای‬
‫هاا‬
‫مو‬ ‫شناسایو‬
‫آ‬ ‫حال‬ ‫شون‬
‫الگاوریتا‬ ‫که‬
MYOLOv5s
‫خواها‬ ‫قاادر‬
‫کاکل‬ ‫بود‬
‫ا‬ ‫ان‬ ‫با‬ ‫ها‬
‫زه‬
‫شکل‬ ‫و‬ ‫ها‬
‫ها‬ ‫با‬ ‫نواحو‬ ‫در‬ ‫و‬ ‫متفاوت‬ ‫های‬
‫پوشاانو‬
‫کاکل‬ ‫از‬ ‫بیشتری‬ ‫اد‬ ‫تع‬ ‫لذا‬ ‫کن‬ ‫شناسایو‬ ‫را‬ ‫بات‬
‫ایان‬ ‫توساط‬ ‫ذرت‬ ‫های‬
‫شناسایو‬ ‫قابل‬ ‫الگوریتا‬
‫مو‬ ‫کس‬ ‫را‬ ‫باتتری‬ ‫یادآوری‬ ‫ار‬ ‫مق‬ ‫و‬ ‫ان‬
. ‫کنا‬
‫به‬ ‫میانگین‬ ‫دقت‬ ‫از‬ ‫حایل‬ ‫نتایج‬ ‫بررسو‬ ‫با‬
‫کاه‬ ‫ارد‬ ‫استان‬ ‫معیاری‬ ‫عنوا‬
‫اادآو‬
‫ا‬‫ی‬ ‫و‬ ‫ات‬
‫ا‬‫دق‬ ‫اادیر‬
‫ا‬‫مق‬
‫ار‬
‫ا‬‫نظ‬ ‫در‬ ً‫ا‬‫ا‬
‫ا‬‫توام‬ ‫اوریتا‬
‫ا‬‫الگ‬ ‫انجش‬
‫ا‬‫س‬ ‫ارای‬
‫ا‬‫ب‬ ‫را‬ ‫ری‬
‫مو‬
‫مو‬ ‫اثبات‬ ً‫ا‬‫د‬ ‫مج‬ ‫گیردس‬
‫الگوریتا‬ ‫بین‬ ‫در‬ ‫که‬ ‫گردد‬
‫بررساو‬ ‫مورد‬ ‫های‬
Faster-RCNN
‫ضااعیف‬
‫الگااوریتا‬ ‫و‬ ‫داراساات‬ ‫را‬ ‫عملکاارد‬ ‫تاارین‬
MYOLOv5s
‫تشاخیص‬ ‫ار‬ ‫مق‬ ‫کمترین‬ ‫با‬
‫انجاام‬ ‫یاا‬ ‫و‬ ‫اشاتباه‬ ‫هاای‬
‫کوتااه‬ ‫در‬ ‫را‬ ‫عملکرد‬ ‫بهترین‬ ‫نگرفته‬
‫در‬ ‫زماا‬ ‫تارین‬
‫ساایر‬ ‫باا‬ ‫مقایساه‬
‫روش‬
.‫دارد‬ ‫ها‬
‫معیارهای‬
‫مربعاات‬ ‫میانگین‬ ‫جذر‬ ‫خطای‬
‫و‬
R2
‫ارزیاابو‬ ‫بارای‬ ‫نیای‬
‫الگوریتا‬ ‫دقت‬
‫کاکال‬ ‫شامارش‬ ‫در‬ ‫هاا‬
‫مقایساه‬ ‫یگر‬ ‫یکا‬ ‫باا‬ ‫ذرت‬ ‫هاای‬
‫ه‬ ‫ش‬
‫الگاوریتا‬ ‫بارای‬ ‫مقادیر‬ ‫این‬ . ‫ان‬
MYOLOv5s
‫باه‬
‫ترتیا‬
9
/
0
‫و‬
52
/
99
‫اوریتا‬
‫ا‬‫الگ‬ ‫ارای‬
‫ا‬‫ب‬ ‫س‬ ‫ا‬
‫ا‬‫دری‬
‫اخیص‬
‫ا‬‫تش‬ ‫ار‬
‫ا‬‫ب‬ ‫او‬
‫ا‬‫مبتن‬ ‫اای‬
‫ا‬‫ه‬
Faster-
RCNN
‫و‬
RetinaNet
‫باااه‬
‫ترتیااا‬
22
/
2
‫س‬
20
/
20
‫و‬
60
/
0
‫س‬
20
/
92
‫شمارش‬ ‫بر‬ ‫مبتنو‬ ‫الگوریتا‬ ‫برای‬ ‫و‬ ‫دری‬
TasselNetv2+
‫باه‬
‫ترتیا‬
05
/
06
‫و‬
20
/
77
‫به‬ ‫دری‬
‫ه‬ ‫آما‬ ‫دسات‬
‫کاا‬ ‫ار‬ ‫مقا‬ . ‫انا‬
‫جاذر‬ ‫خطاای‬
‫مربعات‬ ‫میانگین‬
‫الگوریتا‬ ‫توسط‬ ‫ه‬ ‫آم‬ ‫حایل‬
MYOLOv5s
‫نیدیک‬ ‫س‬
‫کاکل‬ ‫اد‬ ‫تع‬ ‫بود‬
‫این‬ ‫توسط‬ ‫زده‬ ‫تخمین‬ ‫ذرت‬ ‫های‬
‫اد‬ ‫تعا‬ ‫باه‬ ‫الگوریتا‬
‫آ‬ ‫حقیقو‬
‫مو‬ ‫نشا‬ ‫را‬ ‫ها‬
‫آ‬ ‫حال‬ . ‫ده‬
‫الگاوریتا‬ ‫بارای‬ ‫ار‬ ‫مق‬ ‫این‬ ‫که‬
-
‫هااااای‬
Faster-RCNN
‫س‬
RetinaNet
‫و‬
TasselNetv2+
‫بیشااااتر‬
‫الگاوریتا‬ ‫دقیاق‬ ‫عملکارد‬ ‫م‬ ‫عا‬ ‫معنای‬ ‫به‬ ‫که‬ ‫است‬ ‫ه‬ ‫ش‬ ‫گیارش‬
‫هاای‬
‫کاکل‬ ‫شمارش‬ ‫در‬ ‫نامبرده‬
‫به‬ ‫ذرت‬ ‫های‬
‫ها‬ ‫با‬ ‫نواحو‬ ‫در‬ ‫ویژه‬
‫بات‬ ‫پوشانو‬
‫مقا‬ .‫است‬
‫ار‬
R2
‫الگاوریتا‬ ‫بارای‬ ‫نیای‬
MYOLOv5s
‫ساه‬ ‫از‬ ‫بیشاتر‬
‫به‬ ‫دیگر‬ ‫ه‬ ‫ش‬ ‫بررسو‬ ‫الگوریتا‬
‫معناای‬ ‫باه‬ ‫خاود‬ ‫کاه‬ ‫اسات‬ ‫ه‬ ‫آم‬ ‫دست‬
‫کاکال‬ ‫اد‬ ‫تع‬ ‫بیشتر‬ ‫همبستگو‬
‫مقاادیر‬ ‫و‬ ‫ه‬ ‫شا‬ ‫زده‬ ‫تخماین‬ ‫ذرت‬ ‫هاای‬
‫آ‬ ‫حقیقو‬
‫مو‬ ‫الگوریتا‬ ‫این‬ ‫در‬ ‫ها‬
. ‫باش‬
‫شکل‬ ‫بصری‬ ‫نتایج‬ ‫بررسو‬ ‫با‬
0
‫روش‬ ‫عملکرد‬
‫بهتار‬ ‫مختلاف‬ ‫های‬
‫مو‬ ‫نمایا‬
.‫شود‬
‫الگوریتم‬
Algorithm
‫دقت‬
Precision (%)
‫یادآوری‬
Recall (%)
‫میانگین‬ ‫دقت‬
AP (%)
‫میانگین‬ ‫جذر‬ ‫خطای‬
‫مربعات‬
RMSE
R2
(%)
‫بر‬ ‫فریم‬ ‫تعداد‬
‫ثانیه‬
FPS
TasselNetv+ 
 
 
 
 
 

Faster R-CNN 
 
 
 
 
 

RetinaNet 
 
 
 
 
 

MYOLOvs 
 
 
 
 
 


13. ،‫کرمی‬ ‫و‬ ‫ماهانی‬ ‫نژاد‬ ‫فالحت‬
‫کاکل‬ ‫خودکار‬ ‫شمارش‬ ‫و‬ ‫تشخيص‬
...‫آشکارساز‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫ذرت‬ ‫هاي‬
617
‫حقیقو‬ ‫ه‬ ‫محصورکنن‬ ‫کادرهای‬ )‫الف‬
a) Ground Truth Bounding Boxes
TasselNetv2+ )‫ب‬
b) TasselNetv+
)‫ج‬
Faster R-CNN
c) Faster R-CNN
)‫د‬
RetinaNet
d) RetinaNet
‫ه‬
)
MYOLOv5s
e) MYOLOvs
‫شکل‬
6
-
‫نتا‬
‫ی‬
‫ج‬
‫بصری‬
‫به‬ ‫نتایج‬ ‫و‬ ‫حقیقو‬ ‫ه‬ ‫محصورکنن‬ ‫کادرهای‬
‫دست‬
‫توسط‬ ‫ه‬ ‫آم‬
‫الگوریتا‬
‫های‬
TasselNetv2+
‫س‬
Faster R-CNN
‫س‬
RetinaNet
‫و‬
MYOLOv5s
Fig.6. Visual results of ground truth bounding boxes and the obtained results by TasselNetv+, Faster R-CNN,
RetinaNet, and MYOLOvs algorithms

14. 611
‫ماشين‬ ‫نشریه‬
‫جلد‬ ،‫کشاورزي‬ ‫هاي‬
31
‫شماره‬ ،
2
‫تابستان‬ ،
3042
‫از‬ ‫متشکل‬ ‫شکل‬ ‫این‬
0
‫دو‬ ‫که‬ ‫است‬ ‫آزمو‬ ‫داده‬ ‫مجموعه‬ ‫از‬ ‫تصویر‬
‫کاکل‬ ‫راست‬ ‫سمت‬ ‫از‬ ‫اول‬ ‫تصویر‬
‫مو‬ ‫نشا‬ ‫را‬ ‫هیبری‬ ‫ذرت‬ ‫های‬
‫و‬ ‫دهن‬
‫کاکل‬ ‫به‬ ‫مربوط‬ ‫ی‬ ‫بع‬ ‫تصویر‬ ‫دو‬
‫هماا‬ . ‫هستن‬ ‫اینبرد‬ ‫ذرت‬ ‫های‬
‫گوناه‬
‫ناامبرده‬ ‫ذرت‬ ‫نوع‬ ‫دو‬ ‫است‬ ‫رویت‬ ‫قابل‬ ‫تصاویر‬ ‫در‬ ‫که‬
‫میایا‬ ‫و‬ ‫شاکل‬
‫مااو‬ ‫شااکل‬ ‫بررسااو‬ ‫بااا‬ . ‫دارناا‬ ‫متفاااوتو‬ ‫رشاا‬
‫کااه‬ ‫دریافاات‬ ‫تااوا‬
‫الگوریتا‬
‫های‬
Faster-RCNN
‫و‬
RetinaNet
‫کاکال‬
‫در‬ ‫را‬ ‫ذرت‬ ‫هاای‬
‫نمو‬ ‫متراکا‬ ‫نواحو‬
‫به‬ ‫توانن‬
‫باه‬ ‫مرباوط‬ ‫کاکال‬ . ‫دهنا‬ ‫تشخیص‬ ‫خوبو‬
‫کادرهااای‬ ‫تصااویر‬ ‫در‬ ‫زرد‬ ‫رناا‬ ‫بااا‬ ‫ه‬ ‫شاا‬ ‫مشااخص‬ ‫هیبریاا‬ ‫ذرت‬
‫ک‬ ‫است‬ ‫دست‬ ‫این‬ ‫از‬ ‫حقیقو‬ ‫ه‬ ‫محصورکنن‬
‫ل‬ ‫م‬ ‫بین‬ ‫از‬ ‫ه‬
‫بار‬ ‫مبتنو‬ ‫های‬
‫ل‬ ‫ا‬
‫ا‬‫م‬ ‫اا‬
‫ا‬‫تنه‬ ‫اخیص‬
‫ا‬‫تش‬
MYOLOv5s
.‫ات‬
‫ا‬‫اس‬ ‫ارده‬
‫ا‬‫ک‬ ‫اایو‬
‫ا‬‫شناس‬ ‫را‬ ‫آ‬
‫تشخیص‬ ‫اد‬ ‫تع‬ ‫همچنین‬
‫الگوریتا‬ ‫اشتباه‬ ‫های‬
‫های‬
Faster R-CNN
‫و‬
RetinaNet
‫به‬ ‫نسبت‬ ‫نیی‬
MYOLOv5s
‫را‬ ‫امار‬ ‫ایان‬ .‫اسات‬ ‫بیشاتر‬
‫مو‬
‫علو‬ ‫که‬ ‫کرد‬ ‫ه‬ ‫مشاه‬ ‫اینبرد‬ ‫ذرت‬ ‫به‬ ‫مربوط‬ ‫دوم‬ ‫تصویر‬ ‫در‬ ‫توا‬
‫رالا‬
‫وجااود‬ ‫م‬ ‫عاا‬
‫الگااوریتا‬ ‫آ‬ ‫در‬ ‫ذرت‬ ‫کاکاال‬
‫هااای‬
Faster-RCNN
‫و‬
RetinaNet
‫داده‬ ‫تشخیص‬ ‫اشتباه‬ ‫به‬ ‫را‬ ‫ادی‬ ‫تع‬
‫به‬ . ‫ان‬
‫کادرهای‬ ‫وهس‬ ‫ع‬
‫تخمین‬ ‫ه‬ ‫محصورکنن‬
‫زده‬
‫توسط‬ ‫ه‬ ‫ش‬
‫الگوریتا‬
MYOLOv5s
‫منظار‬ ‫از‬
‫ه‬ ‫محصورکنن‬ ‫کادرهای‬ ‫به‬ ‫بیشتری‬ ‫شباهت‬ ‫ازه‬ ‫ان‬ ‫و‬ ‫قرارگیری‬ ‫موقعیت‬
‫روش‬ ‫سایر‬ ‫به‬ ‫نسبت‬ ‫حقیقو‬
‫ل‬ ‫دارن‬ ‫ها‬
‫بهتاری‬ ‫عملکرد‬ ‫الگوریتا‬ ‫این‬ ‫ذا‬
‫امارش‬
‫ا‬‫شا‬ ‫ار‬
‫ا‬‫با‬ ‫او‬
‫ا‬‫مبتنا‬ ‫روش‬ ‫در‬ ‫اه‬
‫ا‬‫کا‬ ‫ات‬
‫ا‬‫اسا‬ ‫االو‬
‫ا‬‫حا‬ ‫در‬ ‫ان‬
‫ا‬‫ایا‬ .‫دارد‬
TasselNetv2+
‫کاکال‬ ‫اد‬ ‫تعا‬ ‫از‬ ‫تخمینو‬ ‫تنها‬ ‫گیارش‬ ‫علت‬ ‫به‬ ‫س‬
‫هاای‬
‫نمو‬ ‫ذرتس‬
‫آ‬ ‫یاحیح‬ ‫تشاخیص‬ ‫و‬ ‫موقعیات‬ ‫مورد‬ ‫در‬ ‫توا‬
‫توساط‬ ‫هاا‬
‫مو‬ ‫تنها‬ ‫بنابراین‬ .‫نمود‬ ‫نظر‬ ‫اظهار‬ ‫الگوریتا‬
‫به‬ ‫توجه‬ ‫با‬ ‫که‬ ‫کرد‬ ‫ادعا‬ ‫توا‬
‫اایین‬
‫ا‬‫پا‬ ‫ار‬ ‫ا‬
‫ا‬‫مقا‬
R2
‫ااتی‬
‫ا‬‫با‬ ‫و‬
RMSE
‫اه‬
‫ا‬‫با‬
‫اط‬
‫ا‬‫توسا‬ ‫ه‬ ‫ا‬
‫ا‬‫آما‬ ‫ات‬
‫ا‬‫دسا‬
TasselNetv2+
‫اادیر‬
‫ا‬‫مق‬ ‫و‬ ‫او‬
‫ا‬‫حقیق‬ ‫اادیر‬
‫ا‬‫مق‬ ‫این‬
‫ا‬‫ب‬ ‫ااداری‬
‫ا‬‫معن‬ ‫ات‬
‫ا‬‫اخ‬
‫پیش‬
‫بینو‬
‫زیااد‬ ‫اد‬ ‫تعا‬ ‫نمایاانگر‬ ‫خاود‬ ‫کاه‬ ‫دارد‬ ‫وجاود‬ ‫آ‬ ‫توساط‬ ‫ه‬ ‫ش‬
‫تشخیص‬
‫یورت‬ ‫اشتباه‬ ‫های‬
‫توسط‬ ‫گرفته‬
TasselNetv2+
‫مو‬
. ‫باش‬
‫الگوریتا‬ ‫االتشاش‬ ‫ماتری‬
MYOLOv5s
‫شکل‬ ‫در‬
7
‫داده‬ ‫نشا‬
‫شاکلس‬ ‫به‬ ‫توجه‬ ‫با‬ .‫است‬ ‫ه‬ ‫ش‬
90
‫کاکال‬ ‫از‬ ‫دریا‬
‫درسات‬ ‫ذرت‬ ‫هاای‬
‫ه‬ ‫ش‬ ‫داده‬ ‫تشخیص‬
‫و‬ ‫ان‬
0
‫ه‬ ‫نش‬ ‫شناسایو‬ ‫دیگر‬ ‫دری‬
‫توجاه‬ ‫باا‬ ‫که‬ ‫ان‬
‫قابل‬ ‫دقت‬ ‫داده‬ ‫پایگاه‬ ‫گو‬ ‫پیچی‬ ‫به‬
‫ل‬ ‫ما‬ ‫برای‬ ‫توجهو‬
MYOLOv5s
‫مو‬ ‫محسوب‬
.‫گردد‬
‫به‬
‫منظور‬
‫دقیاق‬ ‫ارزیابو‬
‫تار‬
‫الگاوریتا‬ ‫عملکارد‬
‫از‬ ‫شامارشس‬ ‫در‬ ‫هاا‬
‫مو‬ ‫استفاده‬ ‫خطو‬ ‫رگرسیو‬ ‫منحنو‬
‫شاکل‬ .‫شود‬
2
‫منحناو‬ ‫ایان‬
‫را‬ ‫هاا‬
‫برای‬
‫الگوریتا‬
‫به‬ ‫های‬
‫مو‬ ‫نشا‬ ‫مقاله‬ ‫این‬ ‫در‬ ‫کاربرده‬
‫هماا‬ . ‫ده‬
‫گوناه‬
‫منحنااو‬ ‫از‬ ‫کااه‬
‫الگااوریتا‬ ‫در‬ ‫نقاااط‬ ‫اسااتس‬ ‫پی‬ ‫هااا‬
MYOLOv5s
‫متراکا‬
‫نیدیک‬ ‫به‬ ‫توجه‬ ‫با‬ ‫لذاس‬ . ‫ترن‬
‫کاکال‬ ‫اد‬ ‫تعا‬ ‫باود‬ ‫تار‬
‫ذرت‬ ‫هاای‬
‫این‬
‫ا‬‫تخم‬
‫زده‬
‫او‬
‫ا‬‫م‬ ‫اوریتا‬
‫ا‬‫الگ‬ ‫ان‬
‫ا‬‫ای‬ ‫اط‬
‫ا‬‫توس‬ ‫او‬
‫ا‬‫حقیق‬ ‫و‬ ‫ه‬ ‫ا‬
‫ا‬‫ش‬
‫ات‬
‫ا‬‫گف‬ ‫اوا‬
‫ا‬‫ت‬
‫الگوریتا‬
MYOLOv5s
‫ا‬ ‫سایر‬ ‫به‬ ‫نسبت‬
‫لگوریتا‬
‫تخماین‬ ‫باه‬ ‫قاادر‬ ‫ها‬
‫دقیق‬
‫کاکل‬ ‫اد‬ ‫تع‬ ‫تر‬
‫مو‬ ‫ذرت‬ ‫های‬
‫باه‬ ‫مرباوط‬ ‫منحنو‬ ‫بین‬ ‫این‬ ‫در‬ . ‫باش‬
TasselNetv2+
‫ه‬ ‫پراکن‬
‫ضعیف‬ ‫نتیجه‬ ‫در‬ ‫و‬ ‫نقاط‬ ‫ترین‬
‫را‬ ‫عملکرد‬ ‫ترین‬
.‫داراست‬
‫شکل‬
7
-
‫داده‬ ‫به‬ ‫مربوط‬ ‫االتشاش‬ ‫ماتری‬
‫الگوریتا‬ ‫آزمو‬ ‫های‬
MYOLOv5s
Fig.. MYOLOvs confusion matrix of test images