جعفر امیری پریان

برداشت سنتی گل محمدی با دست، با چالش‌های فراوانی روبرو است که از میان آن‌ها، وجود خارهای زیاد بر روی ساقه گیاه، برداشت این محصول را به پرزحمت‌ترین بخش صنایع مرتبط تبدل نموده است. راه حل برون رفت از این مشکل، مکانیزه کردن برداشت این گل می‌باشد. از آنجائیکه در مزرعه واقعی علاوه بر زیاد بودن تعداد گل‌ها، شرایط محیطی نیز متغیر است، بهره‌گیری از الگوریتم‌های متداول که به تغییرات شرایط محیطی حساس هستند، برای تشخیص بی‌درنگ این محصول مناسب نیست. لذا برای مکانیزه کردن برداشت این محصول، لازم است سیستمی طراحی شود که علاوه بر دقت بالا،‌ سرعت مناسبی هم داشته باشد و به شرایط محیطی نیز حساس نباشد. از این رو در این مطالعه دو هدف دنبال گردید. هدف اول توسعه الگوریتم لایه عمیق YOLO است که بر اساس شبکه کانولوشنی، تشخیص و مکان‌یابی گل‌های شکفته را انجام می‌دهد و هدف دوم ساخت و ارزیابی ربات برداشت این محصول است که بر اساس مکانیزم حرکت خطی مستقل در سه جهت عملیات برداشت را انجام می‌دهد. بنابراین در این مطالعه عملکرد سه نسخه‌ی سبک و سریع مدل YOLO یعنی v8s، v6s و v5s در شناسایی گل‌های محمدی شکفته درشرایط نور عادی مورد ارزیابی قرار گرفت و با عملکرد مدل Faster-RCNN مقایسه گردید. نتایج نشان داد که مدل یادگیری YOLO v8s توانایی بالاتری نسبت به روش‌های دیگر دارد. در مقایسه عملکرد YOLO v8s نسبت به مدل‌های YOLO v5s، YOLO v6s و Faster-RCNN ، مقدار شاخص mAP0.5 و سرعت تشخیص به ترتیب 3/0، 1/6، و 6 درصد و 3/169، 6/198 و 3/231 فریم در ثانیه بیشتر بود. آموزش و ارزیابی این مدل روی تصاویر با نور شدید، موجب کاهش 9/4 درصدی در mAP0.5 و 8/5 فریم در ثانیه‌ای سرعت تشخیص مدل گردید که نشان‌دهنده اثر مخرب نور محیط بر روی عملکرد مدل می‌باشد. با وجود این‌که آموزش و ارزیابی مدل با تمام تصاویر، مقدار 9/95 درصدی mAP0.5 را نتیجه داد اما تنزل سرعت تشخیص به 4/24 فریم در ثانیه الزامات کاربردهای بی‌درنگ را تامین نکرد. بنابراین به منظور رفع این مشکل و غلبه بر محدودیت‌های سخت‌افزاری مزرعه، از میان اندازه‌های مختلف آخرین نسخه YOLO، مدل کوچک و سبک YOLO v9t به عنوان مدل دانش‌آموز انتخاب شد و با انتخاب مدل بزرگ‌تر YOLO v9c به عنوان معلم و بهره‌گیری از روش تقطیر دانش مبتنی بر پاسخ با دو رویکرد آموزشی مجزا برون خط و بر خط به آموزش آن پرداخته شد و مورد ارزیابی قرار گرفت. نتایج کلی نشان داد که روش تقطیر دانش مبتنی بر پاسخ به ویژه رویکرد برون خط ضمن حفظ اندازه مدل پایه، موجب افزایش تمام شاخص‌های ارزیابی می‌گردند و در تعدادی از پارامترها عملکرد بهتری نسبت به مدل معلم داشتند. در گام آخر نمونه اولیه ربات برداشت گل محمدی طراحی و ساخته شد و با استفاده از این مدل به صورت آزمایشگاهی مورد تست و ارزیابی واقع شد. نتایج نشان داد که این ربات با عملکرد خوب خود می-تواند به ترتیب با مقدار نرخ 4/97 % و 07/80% گل‌ها را شناسایی و برداشت نماید. همچنین میانگین زمان برداشت برای هرگل 65/48 ثانیه بود که 41% این زمان صرف حرکت واحد چیدن گل به سمت گل می‌گردد.