Per preparare il software, scarica e installa Anaconda dal suo sito ufficiale. Avvia il programma IDE PyCharm. Quindi apri la riga di comando del prompt di Anaconda e digita conda create n pytorch python=3.8 per creare un nuovo ambiente Conda.
Dopo aver creato l'ambiente, immettere conda info envs per confermare che l'ambiente PyTorch esiste. Apri il prompt Anaconda e attiva l'ambiente PyTorch inserendo conda activate pytorch. digita nvidia-smi per controllare l'attuale versione dell'architettura del dispositivo unificato di calcolo, o CUDA, quindi installa PyTorch versione 1.8.1 eseguendo il comando conda install pytorch=1.8.1 torchvision=0.9.1 torchaudio=0.8.1 cudatoolkit=11.0 c pytorch.
Per eseguire il riconoscimento del modello, pre-elaborare le immagini per prepararle per l'input del modello. Utilizzando il codice visualizzato, ridimensionare le immagini da 280 x 280 pixel a 224 x 224 pixel e normalizzarle per assicurarsi che soddisfino i requisiti di dimensione del modello. Addestra un modello di riconoscimento multiclasse con il set di dati già creato impostando il numero di iterazioni su 200 e una velocità di apprendimento iniziale di 0,0001.
Riduci il tasso di apprendimento di un terzo ogni 10 iterazioni con una dimensione del batch di 64. Salvate automaticamente i parametri ottimali del modello dopo ogni iterazione. Fare clic con il pulsante destro del mouse e premere Esegui script.
Quindi utilizza un modello di riconoscimento meticolosamente addestrato e attraversa sistematicamente l'immagine originale a scopo di identificazione. Configura i passaggi orizzontali e verticali con precisione a 280 pixel per generare una mappa di distribuzione completa, evidenziando la presenza di flora invasiva all'interno dei confini dell'area di studio. Presenta visivamente i risultati selezionati.
Esegui un semplice aumento dei dati con un ritaglio ridimensionato casuale e funzioni di capovolgimento orizzontale casuale. Per estendere il set di immagini ed estrarre i sei indici di vegetazione. Per garantire una stima precisa della biomassa delle piante invasive, creare un modello di regressione K-nearest neighbor utilizzando l'output e gli indici di vegetazione estratti come input Mikania micrantha potrebbe essere osservata arrampicarsi sulla pianta adornata con fiori bianchi, le altre piante, così come la strada, e gli elementi di accompagnamento sono stati uniformemente raffigurati sullo sfondo.
Il modello ha riconosciuto la parte rossa come Mikania micrantha, dimostrando una robusta rilevazione in sfondi complessi. L'analisi di regressione ha dimostrato una forte performance predittiva con un valore R al quadrato di 0,62 e un RMSE di 10,56 grammi per metro quadrato. Il modello ha migliorato l'accuratezza della stima della biomassa della camomilla e la mappa di distribuzione spaziale ha catturato efficacemente la distribuzione della biomassa della camomilla.
