رباب سیدمحمدی - دانشجوی کارشناسی ارشد، گروه مهندسی بیوسیستم، دانشگاه محقق اردبیلی
راضیه پوردربانی - دانشیار، گروه مهندسی بیوسیستم، دانشگاه محقق اردبیلی
سجاد سبزی

در سال های اخیر استفاده از یادگیری عمیق در کشاورزی دقیق به منظور تشخیص و شمارش آفات و یا بیماری های گیاهی ، تخمین سطح زیر کشت و نظارت بر روند رشد گیاهان جهت مقابله با عوامل بازدارنده و یا کاهش دهنده عوامل افزایش بهره وری محصولات کشاورزی به سرعت رو به افزایش است . یادگیری عمیق اخیرا با هدف ایجاد یک سیستم سریع ، خودکار و دقیق برای شناسایی و طبقه بندی تصاویر توجه زیادی را به خود جلب کرده است . در این مقاله ، مدلهای شبکه عصبی کانولوشنال برای انجام تشخیص بیماری های گیاهی با استفاده از تصاویر ساده برگهای گیاهان سالم و بیمار، از طریق روشهای یادگیری عمیق توسعه داده شد. آموزش مدل ها با استفاده از یک پایگاه داده از ۸۷۸۴۸ تصویر که از مزارع نیشکر تهیه شده بود، شامل ۲۵ گیاه مختلف در مجموعه ای از ۵۸ کلاس مجزا از ترکیبات (گیاه، بیماری )، از جمله گیاهان سالم ، انجام شد. چندین ساختار مدل آموزش دیدند که بهترین عملکرد به میزان موفقیت ۵۳,۹۹ درصد در شناسایی ترکیب مربوطه (گیاه بیمار یا گیاه سالم ) رسید. نرخ موفقیت بسیار بالا و رویکردی که می تواند برای پشتیبانی از یک سیستم شناسایی بیماری های گیاهی یکپارچه برای عملکرد در شرایط کشت واقعی ، بیشتر گسترش دهد، این مدل را به یک ابزار مشاوره یا هشدار اولیه بسیار مفید تبدیل می کند.

بیماری محصولات کشاورزی ،شناسایی ، کشاورزی ، یادگیری عمیق