fa تشخیص و شمارش هوشمند گل‌های ذرت در تصاویر پهپادی با استفاده از TSDPC فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research شمارش گل&shy;های ذرت اطلاعات ارزشمندی در مورد پیش&shy;بینی میزان محصول ارائه می&shy;دهد، اما شمارش&shy; گل&shy;های ذرت به روش سنتی و دستی امری گران و زمان&shy;بر می&shy;باشد. در این مقاله روش پیشنهادی مبتنی بر جداسازی مکانی آگاه از وظیفه (<span dir="LTR">TSD</span>) برای بهبود عملکرد تشخیص گل&shy;های ذرت اصلاح شده است. تصاویر رنگی با هم&shy;پوشانی، از مزرعه گل&shy;های ذرت توسط پهپاد اخذ شده است و سپس با اعمال پیش پردازش&shy;های لازم ارتوفوتو مزرعه تشکیل می&shy;گردد، در مرحله بعد آشکارساز <span dir="LTR">TSD</span> اصلاح شده جهت تعیین محل&shy;های گل&shy;های ذرت بر روی ارتوفوتو اعمال می&shy;گردد. سپس نتایج به دست آمده از کار نوین انجام شده با نتایج حاصل از کار تیم متخصص کشاورزی و آشکارسازهای معتبر در این زمینه مانند &nbsp;<span dir="LTR">CenterNet</span> و<span dir="LTR">&nbsp; RepPoints </span>&nbsp;مقایسه شده و دقت بالایی حاصل گردیده است. Panicle counts (PC) provide valuable information about yield prediction in sorghum but are expensive and time-consuming to acquire via traditional manual approaches. In this thesis, high-resolution RGB imagery acquired by UAVs has been used. The proposed method based on task-aware spatial disentanglement (TSD) has been modified to improve the performance of panicle detection. TSDPC has high accuracy in comparison to state-of-the-art techniques such as CenterNet and RepPoints. یادگیری عمیق, پهپاد, تشخیص و شمارش گل ذرت, اشیاء کوچک Deep Learning, UAV Images, Panicle Counting, Small Objects 1 10 http://jgst.issgeac.ir/browse.php?a_code=A-10-983-1&slc_lang=fa&sid=1 M. Peiro Hosseini Nejad میترا پیروحسینی نژاد mitra.hoseiny195@gmail.com 10031947532846009421 10031947532846009421 No Shahid Bahonar University of Kerman دانشگاه شهید باهنرکرمان A. Karami اعظم کرمی azam.karami@gmail.com 10031947532846009422 10031947532846009422 Yes Shahid Bahonar University of Kerman انشگاه شهید باهنرکرمان