تشخیص آفات متداول مرکبات در شمال ایران با استفاده از شبکه عصبی مصنوعی
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 69
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_FSCT-17-109_013
تاریخ نمایه سازی: 30 آبان 1402
Abstract:
آفات و بیماری های گیاهی یک تهدید عمده برای امنیت غذایی بشر بشمار میآیند. در مزارع وسیع، تشخیص دقیق و به هنگام توسط انسان به دلیل زمان بر بودن و احتمال تشخیص اشتباه امکان پذیر نمی باشد. از اینرو برای تشخیص فوری، اتوماتیک ، مناسب و دقیق آفات کشاورزی، استفاده از پردازش تصویر و هوش مصنوعی از جمله یادگیری عمیق میتواند بسیار مفید باشد. در این تحقیق، مدل های شبکه عصبی پیچشی برای تشخیص و شناسایی سه نوع آفت مرکبات متداول در شمال ایران نظیر پروانه مینوز، فوماژین (قارچ دوده مرکبات) و بالشتک با استفاده از تصاویر برگ های آلوده، از طریق روش های یادگیری عمیق توسعه داده شده است. برای این منظورمعماری های رزنت ۵۰ و وی جی جی ۱۶ به عنوان شبکه عصبی پیچشی معروف با استفاده از روش انتقال یادگیری بر روی ۱۷۷۴ تصویر برگ آلوده مرکبات که در شرایط طبیعی و مزرعه ای فراهم گردید، آموزش داده شد. در مرحله آموزش، از روش افزونه سازی داده ها برای افزایش تعداد نمونه های آموزشی و بهبود تعمیم پذیری طبقه بند ها استفاده گردید. برای تجزیه و تحلیل تجربی از اعتبارسنجی ضربدری به منظور اندازه گیری دقت شبکه عصبی پیچشی استفاده شد. در این استراتژی، همه تصاویر بدون هیچگونه همپوشانی مجموعه داده های آموزش و امتحان، آزمایش شدند. بر اساس نتایج به دست آمده دقت مدل های رزنت ۵۰ و وی جی جی ۱۶ به ترتیب ۰۵/۹۶ و ۳۴/۸۹ درصد ارزیابی گردید.از اینرو مدل رزنت ۵۰، می تواند روش فوق را به یک سیستم مشاوره یا هشداردهنده اولیه بسیار مناسب تبدیل کند.
Keywords:
Citrus pests , Deep Learning , Convolutional Neural Networks , Resnet۵۰ , VGG۱۶ , آفات مرکبات , یادگیری عمیق , رزنت۵۰ , وی جی جی ۱۶ , شبکه عصبی پیچشی
Authors
Morteza Khanramaki
Ph.D. student, Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, Iran
Ezzatollah Askari Asli‐Ardeh
Associate professor, Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, Iran
Ehsan Kozegar
Department of Computer Sciences and Engineering, University of Guilan, Guilan, Iran
reihaneh loni
Postdoc Researcher, Department of Biosystems Engineering, Tarbiat Modares University, Tehran, Iran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :