تشخیص آفات متداول مرکبات در شمال ایران با استفاده از شبکه عصبی مصنوعی

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.

تشخیص آفات متداول مرکبات در شمال ایران با استفاده از شبکه عصبی مصنوعی Keywords:

Citrus pests , Deep Learning , Convolutional Neural Networks , Resnet۵۰ , VGG۱۶ , آفات مرکبات , یادگیری عمیق , رزنت۵۰ , وی جی جی ۱۶ , شبکه عصبی پیچشی