کاربرد شبکه های عصبی کانولوشنی (CNN) در تشخیص آفت پسیل پسته با استفاده از تصاویر پهپادی با وضوح بالا

پسیل پسته به عنوان یکی از آفات مهم در باغ های پسته تهدیدی جدی برای سلامت درختان و کیفیت محصول محسوب می شود. شناسایی به موقع و دقیق این آفت در مراحل اولیه شیوع برای جلوگیری از خسارت های اقتصادی ضروری است. روش های سنتی تشخیص آفات که مبتنی بر بازدید میدانی و ارزیابی چشمی هستند به دلیل زمان بر بودن و نیاز به نیروی انسانی متخصص محدودیت هایی دارند. در این راستا فناوری های نوین مانند تصاویر پهپادی و الگوریتم های یادگیری عمیق، به ویژه شبکه های عصبی کانولوشنی (CNN) راهکارهای جدیدی برای پایش سلامت گیاهان و شناسایی آفات فراهم کرده اند. استفاده از تصاویر پهپادی با وضوح بالا به کشاورزان این امکان را می دهد که با تجزیه و تحلیل دقیق تغییرات رنگ برگ ها، تنش های زیستی و دیگر نشانه های آلودگی آفات را شناسایی کنند. ترکیب داده های تصویری پهپادی با الگوریتم های یادگیری عمیق باعث بهبود دقت و سرعت در تشخیص آفات در مراحل اولیه شده است. پژوهش های مختلف نشان می دهند که مدل های CNN می توانند الگوهای پیچیده تصاویر را شناسایی کرده و به صورت خودکار آفات و بیماری ها را شناسایی کنند. این مقاله به بررسی کاربرد تصاویر پهپادی و شبکه های عصبی کانولوشنی در تشخیص آفات پسته می پردازد و چالش ها و فرصت های موجود در این حوزه را مورد بحث قرار می دهد. نتایج نشان می دهند که این فناوری ها می توانند به طور قابل توجهی به بهبود مدیریت آفات و افزایش بهره وری در مزارع پسته کمک کنند.

Keywords:

پسته , پسیل پسته , آفات گیاهی , تشخیص آفات , تصاویر پهپادی , شبکه های عصبی کانولوشنی (CNN) , کشاورزی دقیق , یادگیری عمیق , پایش سلامت گیاه