حسین باقرپور

با افزایش مشکلات جهانی امنیت غذایی و پایداری منابع، بهره‌گیری از راه‌حل‌های نوآورانه مانند بینایی ماشین و یادگیری عمیق، می‌‌تواند شیوه‌های سنتی کشاورزی را با تصمیم‌گیری‌های بی‌درنگ، مناسب و مبتنی بر داده تغییر دهد و اهداف کشاورزی دقیق را محقق سازد. امروزه یادگیری عمیق یکی از برجسته‌ترین روش‌های پردازش و تحلیل تصاویر دیجیتال می-باشد که می‌تواند طیف وسیعی از وظایف در حوزه کشاورزی از جمله پایش وضعیت سلامت، تشخیص بیماری یا علف‌ هرز، تشخیص تنش، برآورد عملکرد و برداشت رباتیک محصول را عهده‌دار شود به شرط آن‌که بر محدودیت‌های سخت‌ا‌فزاری از لحاظ قدرت پردازش و فضای حافظه در مزرعه، برای کاربردهای بی‌درنگ فائق آید. انتخاب مدل‌های سبک، کم حجم با تعداد پارامترهای کم از یک سو موجب افزایش سرعت تشخیص می‌‌گردد اما از سوی دیگر ممکن است دقت تشخیص و تعمیم‌پذیری آن را تحت شعاع قرار دهد. چون که این مدل‌ها تا حدود زیادی عملکرد خوب خود برای کار در شرایط واقعی با داده‌های بزرگ مقیاس و تعمیم‌پذیری عالی روی داده جدید را، مدیون تعداد زیاد پارامتر‌ها هستند. تقطیر دانش رویکردی آموزشی در حوزه یادیگری ماشین است که می‌تواند با تعلیم مدلی کوچک توسط مدلی بزرگ‌تر تا حدود زیادی بر این مسئله فائق آید و ضمن حفظ سرعت تشخیص، عملکرد و دقت آن را بهبود بخشد. بنابراین این مطالعه ضمن معرفی رویکرد آموزشی تقطیر دانش، انواع دانش، طرح‌ها و الگوریتم‌های تقطیر دانش، رابطه بین ساختار معلم و دانش آموز و نمونه‌هایی از کاربردهای آن در حوزه کشاورزی دقیق را بیان می‌نماید.