Key points are not available for this paper at this time.
تعتبر الأراضي العشبية دعامة للأنظمة البيئية الأرضية وحواجز بيئية هامة، حيث تعمل كأساس لتطوير تربية المراعى. ومع ذلك، فإن حدوث النباتات السامة بشكل متكرر في الأراضي العشبية يضعف استقرار أنظمة الأراضي العشبية ويقيد نمو تربية الماشية في المراعي. لتحقيق الكشف المبكر عن الحشيش العشبي Phlomoides umbrosa (Turcz.) Kamelin & Makhm، تحسن هذه الدراسة نموذج YOLO-v8 وتقترح نموذج شبكة BSS-YOLOv8 باستخدام صور الطائرات بدون طيار. باستخدام الطائرات بدون طيار، يمكننا الحصول على بيانات الصور في المراحل المبكرة من P. umbrosa وبناء مجموعة بيانات الشتلات. لمعالجة التحديات مثل خلفية الأراضي العشبية المعقدة والشتلات القزمية من P. umbrosa، دمجت هذه الدراسة وحدة BoTNet في شبكة YOLO-v8. تعزز تحسين تكامل استخراج الميزات من خلال ربط الميزات العالمية والمحلية عبر آلية الانتباه الذاتي متعدد الرؤوس (MHSA). بالإضافة إلى ذلك، تمت إضافة طبقة كشف في هيكل عنق النموذج مع مقياس خريطة ميزات الإخراج قدره 160 × 160 لدمج تفصيلات ميزات P. umbrosa من الشبكة العصبية السطحية، مما يعزز التعرف على الأهداف الصغيرة من P. umbrosa. إن استخدام GSConv، كبديل لبعض الالتفافات القياسية، لم يقلل فقط من تعقيد الحسابات الخاصة بالنموذج ولكن أيضًا عزز أداء الكشف الخاص به. تكشف نتائج اختبار الإزالة أن نموذج شبكة BSS-YOLOv8 حقق دقة قدرها 91.1%، ومعدل استدعاء قدره 86.7%، وmAP50 قدره 92.6%، وF1-Score قدره 88.85%، وmAP50:95 قدره 61.3% على مجموعة بيانات شتلات P. umbrosa. مقارنة بالشبكة الأساسية، أظهر تحسينات على التوالي بنسبة 2.5%، 3.8%، 3.4%، 3.19%، و4.4%. عند مقارنتها بنماذج الكشف عن الأجسام الأخرى (مثل YOLO-v5، Faster R-CNN، إلخ)، حقق نموذج BSS-YOLOv8 أيضًا أفضل أداء للكشف. يمكّن نموذج BSS-YOLOv8 المقترح في هذه الدراسة التعرف السريع على شتلات P. umbrosa في خلفيات الأراضي العشبية، مما يحمل أهمية كبيرة للكشف المبكر والتحكم في الأعشاب الضارة في المراعي.
درس Guo et al. (الأربعاء) هذا السؤال.