رمضان هادی پوررکنی - دانشجوی دکتری، گروه مهندسی بیوسیستم، دانشگاه محقق اردبیلی، اردبیل، ایران
عزت اله عسکری اصلی ارده - استاد گروه مهندسی بیوسیستم، دانشگاه محقق اردبیلی، اردبیل، ایران
سجاد سبزی - پژوهشگر پسا دکتری، گروه مهندسی بیوسیستم، دانشگاه محقق اردبیلی، اردبیل، ایران

کنترل آفات یکی از مهمترین عملیات در مرحله داشت محصولات کشاورزی است. مگس میوه مدیترانه ای یکیاز آفات مهم محصولات کشاورزی از جمله مر کبات می باشد که سالانه خسارات زیادی به باغداران تحمیل می کند.در این تحقیقء برای شناسایی زودهنگام میوه های مر کبات آلوده به لارو مکس مدیترا نه ای با هدف اجرای سریعفعالیت های مدیریتی و جلو گیری از ظهور نسل بعدی مکس مدیترانه ای از شبکه عصبی پیچشی به روش یاد گیریانتقالی استفاده شد. عکس برداری میوه مرکبات در دو مرحله قبل از آفت و ابتدای شیوع آفت در شرایط نورطبیعی (۷۰۰۰ تا ۱۱۰۰۰ لو کس) انجام شد. برای تشخیص و طبقه بندی بین میوه سالم و میوه مگس زده، دو مدل ازپیش آموزش دیده CNN بعنی GoogleNet و VGG-۱۶ با الگوریتم های بهینه ساز RMSProp, SGDm و Adamمورد استفاده قرار گرفت. نتایج ارزبایی مدلها در مرحله شبوع آفت نشان داد که مدل VGG-۱۶ به کمک الگوریتمSGDm با کسب دقت تشخیص ۹۸/۳۳% بهترین کارآیی را داشته است. نتایج این تحقبق نشان می دهد که استفاده ازروش های هوش مصنوعی در تشخبص میوه مگس زده مر کبات می تواند به متخصصان و باغداران در مدیریت وکنترل این آفت کمک نماید.

یادگیری عمیق، شبکه عصبی پیچشی ، یادگیری انتقالی، مگس مدیترانه ای، مرکبات