مرتضی خان رمکی - دانشجوی دکتری مهندسی مکانیک بیوسیستم، دانشگاه محقق اردبیلی، اردبیل
عزت اله عسکری اصلی ارده - دانشیار گروه مهندسی مکانیک بیوسیستم، دانشگاه محقق اردبیلی، اردبیل
احسان اله کوزه گر - استادیار گروه مهندسی کامپیوتر دانشکده فنی و مهندسی شرق گیلان دانشگاه گیلان

تشخیص به موقع آفات مرکبات باعث افزایش تولید کمی و کیفی این محصول می شود. ولی نظارت و پایش دقیق و به موقع آن در مزارع وسیع توسط انسان امکان پذیر نمی باشد. لذا استفاده از پردازش تصویر و هوش مصنوعی از جمله یادگیری عمیق در شناسایی سریع، خودکار، ارزان و دقیق آفات محصولات کشاورزی و همچنین افزایش بهره وری ضروری به نظر می رسد. در این تحقیق ازیک مدل یادگیری عمیق برای شناسایی سه نوع آفت متداول مرکبات نظیر پروانه مینوز، فوماژین (قارچ دوده مرکبات) و بالشتک استفاده گردید. برای این منظور معماری آلکس نت به عنوان یک شبکه عصبی کانولوشنی (CNN) معروف با استفاده از روش انتقال یادگیری بر روی تصاویر برگ مرکبات آلوده، آموزش داده شد. این مدل بر روی 1774 تصویر در شرایط مزرعه ای مورد بررسی قرار گرفت. برای تجزیه و تحلیل آزمایشگاهی از اعتبار سنجی ضربدری به منظور اندازه گیری دقت شبکه عصبی کونولوشنی استفاده شد. در این استراتژی تکرار شونده همه تصاویر بدون هیچگونه همپوشانی مجموعه داده های آموزش و امتحان، آزمایش شدند. بر اساس نتایج به دست آمده میزان دقت مدل پیشنهادی 90/71 درصد ارزیابی گردید.

آفات مرکبات، یادگیری عمیق، شبکه عصبی کونولوشنی، آلکس نت