توسعه و بهينه‌سازي الگوريتم‌ ويژه يادگيري عميق در تشخيص بيماري‌هاي مختلف برگي درخت بِه

بيماري‌هاي درخت بِه يكي از نگراني‌هاي عمده باغداران مي‌باشد و شناسايي آن‌ها در پايش درختان ضروري است چرا كه زيآن‌هاي اقتصادي قابل‌توجهي وارد مي‌كند. از اين رو، تشخيص به‌موقع و موثر بيماري‌هاي برگي درختان بِه، نقش مهمي در جلوگيري از اين ضرر اقتصادي دارد. بيشتر علائم بيماري اين درخت در برگ ظاهر مي‌شود و تشخيص آن‌ها نياز به متخصصان خبره داشته و از طرفي زمان‌بر بوده و هزينه آزمايشگاهي بالايي دارد. اصلي‌ترين بيماري‌هاي اين محصول شامل آتشك، زخم برگ و سفيدك پودري است. با پيشرفت الگوريتم‌هاي هوش مصنوعي، شبكه‌هاي عصبي مختلفي براي طبقه‎بندي معرفي شده‌اند كه از مهم‌ترين آن‌ها مي‌توان به شبكه‌هاي عصبي پيچشي (كانولوشني) اشاره كرد. هدف اصلي اين مطالعه بهينه‌سازي و تنظيم پارامترهاي اصلي اين شبكه‌ها به‌منظور افزايش دقت تشخيص بيماري‌هاي برگي درخت بِه مي‌باشد. در اين مطالعه در رويكرد اول با استفاده از يادگيري انتقالي،‌ دو الگوريتم مهم Inception-ResNet-v2 و ResNet-101 و در رويكرد دوم يك الگوريتم بهينه‌شده پيشنهادي براي طبقه‌بندي بيماري‌ها استفاده شد. نتايج مدل‌ها نشان داد كه حذف تصادفي باعث اصلاح دقت بعضي مدل‌ها گرديد و بيشترين عملكرد با 64 نورون در لايه مخفي حاصل گرديد. مدل پيشنهادي دقت بالاتري نسبت به روش انتقالي داشت. با بررسي نتايج كلي، مدل پبشنهادي با چهار لايه پيچشي در بلوك كانولوشني، يك لايه مخفي در بلوك شبكه عصبي و ضريب دراپ‌اوت 0.5 بيشترين عملكرد را ارايه داد.