Pour préparer le logiciel, téléchargez et installez Anaconda depuis son site officiel. Lancez le programme IDE PyCharm. Ouvrez ensuite la ligne de commande de l’invite Anaconda et tapez conda create n pytorch python=3.8 pour créer un nouvel environnement Conda.
Une fois l’environnement créé, entrez conda info envs pour confirmer que l’environnement PyTorch existe. Ouvrez l’invite Anaconda et activez l’environnement PyTorch en entrant conda activate pytorch. Tapez nvidia-smi pour vérifier la version actuelle de l’architecture CUDA (Compute Unified Device Architecture), puis installez la version 1.8.1 de PyTorch en exécutant la commande conda install pytorch=1.8.1 torchvision=0.9.1 torchaudio=0.8.1 cudatoolkit=11.0 c pytorch.
Pour exécuter la reconnaissance du modèle, prétraitez les images afin de les préparer à l’entrée du modèle. À l’aide du code affiché, redimensionnez les images de 280 x 280 pixels à 224 x 224 pixels, puis normalisez-les pour vous assurer qu’elles répondent aux exigences de taille du modèle. Entraînez un modèle de reconnaissance multiclasse avec le jeu de données déjà créé en définissant le nombre d’itérations à 200 et un taux d’apprentissage initial de 0,0001.
Réduisez le taux d’apprentissage d’un tiers toutes les 10 itérations avec une taille de lot de 64. Enregistrez automatiquement les paramètres optimaux du modèle après chaque itération. Cliquez avec le bouton droit de la souris et appuyez sur Exécuter le script.
Ensuite, utilisez un modèle de reconnaissance méticuleusement entraîné et parcourez systématiquement l’image originale à des fins d’identification. Configurez des étapes horizontales et verticales avec une précision de 280 pixels pour obtenir la génération d’une carte de distribution complète, mettant en évidence la présence d’une flore envahissante dans les limites de la zone d’étude. Présentez visuellement les résultats sélectionnés.
Effectuez une augmentation simple des données avec un recadrage redimensionné aléatoire et des fonctions de retournement horizontal aléatoires. Pour étendre l’ensemble d’images et extraire les six indices de végétation. Pour assurer une estimation précise de la biomasse des plantes envahissantes, créez un modèle de régression K-plus proche voisin en utilisant les indices de végétation de sortie et extraits comme intrants.
Le modèle a reconnu la partie rouge comme étant Mikania micrantha, démontrant une détection robuste dans des arrière-plans complexes. L’analyse de régression a démontré de fortes performances prédictives avec une valeur R carré de 0,62 et une EQM de 10,56 grammes par mètre carré. Le modèle a amélioré la précision de l’estimation de la biomasse de camomille, et la carte de distribution spatiale a efficacement capturé la distribution de la biomasse de camomille.
