بررسي توانايي شبكه‌هاي عصبي كانولوشن سه‌بعدي و شبكه‌هاي عصبي بازگشتي بر طبقه‌بندي دقيق‌تر محصولات كشاورزي با استفاده از تصاوير سري زماني نوري

يكي از چالش‌هاي جدي در حوزه سنجش‌ازدور، استخراج ويژگي‌هاي مناسب از داده‌هاي ماهواره‌اي مي‌باشد. با ظهور نسل جديدي از شبكه‌هاي عصبي عميق، قابليت استخراج ويژگي‌ها و همچنين طبقه‌بندي دقيق محصولات به طور اتوماتيك امكانپذير شده است. از سويي، استخراج ويژگي‌هاي مناسب مي‌تواند تا حدي اثرات شباهت طيفي را در شناسايي محصولات مختلف كاهش دهند و باعث بهبود دقت طبقه‌بندي محصولات شوند. همچنين استفاده از داده‌هاي چند زمانه در طول دوره رشد، اطلاعات مفيدي درباره محصولات در اختيار محققين قرار مي‌دهد. در اين راستا، باهدف دستيابي به ويژگي‌هاي مناسب از تصاوير سري زماني، سه روش شبكه‌هاي عصبي كانولوشن سه‌بعدي، شبكه عصبي حافظه طولاني كوتاه‌مدت و واحد بازگشتي دروازه‌اي در اين تحقيق مورد بررسي و ارزيابي قرار گرفتند. در معماري بررسي شده براي شبكه عصبي كانولوشن سه‌بعدي، تلاش بر آن شد كه بهترين بردارهاي ويژگي زماني - مكاني از تصاوير استخراج شوند و سپس نتايج بدست آمده از اين شبكه با دو روش شبكه‌هاي بازگشتي مورد مقايسه قرار گيرند. درنهايت، پارامترهاي ارزيابي بدست آمده از ماتريس خطا در اين تحقيق نشان مي‌دهد كه شبكه عصبي كانولوشن سه‌بعدي، با حصول دقت كلي 90.70% و ضريب كاپا 89.37% به ترتيب در حدود 3.50% و 4.00% نسبت به شبكه عصبي حافظه طولاني كوتاه‌مدت توانايي بيشتري در شناسايي محصولات داشته است. همچنين دقت كلي نتايج طبقه‌بندي توسط شبكه واحد بازگشتي دروازه‌اي نزديك به‌دقت كلي شبكه عصبي كانولوشن سه‌بعدي بوده است و تنها دقت كلي اين روش  1.48% از شبكه واحد بازگشتي دروازه‌اي بهتر عمل كرده است. بنابراين نتايج حاصل مؤيد كارايي شبكه عصبي كانولوشن سه‌بعدي براي شناسايي و طبقه‌بندي محصولات مي‌باشد.