ఆగ్రోటెక్నాలజీ

నైరూప్య

మానవరహిత వైమానిక వాహనం నుండి మల్టీస్పెక్ట్రల్ చిత్రాలను ఉపయోగించి వివరించగల కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ ఆధారిత చెట్టు జాతుల వర్గీకరణ

లింగ్-వీ చెన్, పిన్-హుయ్ లీ, యుహ్-మిన్ హువాంగ్*

మేము కార్మికుల కొరతను, ప్రత్యేకించి, గ్రామీణ ప్రాంతాల్లోని వృద్ధాప్య శ్రామిక శక్తిని పరిష్కరించడానికి మరియు వ్యవసాయ నిర్వహణను సులభతరం చేయడానికి ప్రయత్నిస్తున్నాము. తైవాన్‌లో అనేక వాణిజ్య పంటలను కొండలపై పండించడం వల్ల తైవాన్‌లో వ్యవసాయ పరికరాల కదలిక మరియు ఆపరేషన్ సంక్లిష్టంగా ఉంటుంది. అటువంటి వాలు వ్యవసాయ ప్రాంతాలలో మిశ్రమ పంటల కోసం, చెట్ల జాతుల గుర్తింపు వ్యవసాయ నిర్వహణలో సహాయపడుతుంది మరియు వ్యవసాయ కార్యకలాపాలకు అవసరమైన శ్రమను తగ్గిస్తుంది. కనిపించే కాంతి కెమెరాల ద్వారా సేకరించిన సాధారణ ఆప్టికల్ చిత్రాలు రికార్డింగ్ కోసం సరిపోతాయి కానీ చెట్టు జాతుల గుర్తింపులో ఉపశీర్షిక ఫలితాలను ఇస్తాయి. మల్టీస్పెక్ట్రల్ కెమెరాను ఉపయోగించడం వల్ల వాటి వర్ణపట ప్రతిస్పందనల ఆధారంగా మొక్కలను గుర్తించడం సాధ్యపడుతుంది. మేము UAV కనిపించే కాంతి మరియు మల్టీస్పెక్ట్రల్ ఇమేజరీని ఉపయోగించి చెట్ల జాతుల వర్గీకరణ కోసం ఒక పద్ధతిని అందిస్తున్నాము. మేము చెట్ల జాతుల మధ్య స్పెక్ట్రల్ రిఫ్లెక్టెన్స్ విలువలలోని వ్యత్యాసాలను ప్రభావితం చేస్తాము మరియు మోడల్ వర్గీకరణ పనితీరును మెరుగుపరచడానికి సమీపంలోని ఇన్‌ఫ్రారెడ్ బ్యాండ్ చిత్రాలను ఉపయోగిస్తాము. CNN ఆధారిత లోతైన నాడీ నమూనాలు విస్తృతంగా ఉపయోగించబడుతున్నాయి మరియు అధిక ఖచ్చితత్వాన్ని ఇస్తాయి, అయితే 100% సరైన ఫలితాలను సాధించడం కష్టం, మరియు మోడల్ సంక్లిష్టత సాధారణంగా పనితీరుతో పెరుగుతుంది. ఇది సిస్టమ్ యొక్క తుది నిర్ణయాల గురించి అనిశ్చితికి దారితీస్తుంది. వివరించదగిన AI కీలక సమాచారాన్ని సంగ్రహిస్తుంది మరియు మోడల్ యొక్క ముగింపులు లేదా చర్యల గురించి మెరుగైన అవగాహనను అందించడానికి దానిని వివరిస్తుంది. మోడల్ పోస్ట్-హాక్‌ను అర్థం చేసుకోవడానికి మేము విజువలైజేషన్ (నాలుగు పిక్సెల్ స్థాయి అట్రిబ్యూషన్ పద్ధతులు మరియు ఒక ప్రాంత స్థాయి అట్రిబ్యూషన్ పద్ధతి) ఉపయోగిస్తాము. పిక్సెల్ స్థాయి అట్రిబ్యూషన్ కోసం అస్పష్టమైన IG ఆకృతి లక్షణాలను ఉత్తమంగా సూచిస్తుంది మరియు పిక్సెల్ స్థాయి అట్రిబ్యూషన్ కంటే రీజియన్ లెవల్ అట్రిబ్యూషన్ జీవిత ప్రాంతాలను మరింత ప్రభావవంతంగా సూచిస్తుంది, ఇది మానవ అవగాహనకు సహాయపడుతుంది.