تشخيص آفات متداول مركبات در شمال ايران با استفاده از شبكه عصبي مصنوعي

آفات و بيماري هاي گياهي يك تهديد عمده براي امنيت غذايي بشر بشمار مي آيند. در مزارع وسيع، تشخيص دقيق و به هنگام توسط انسان به دليل زمان بر بودن و احتمال تشخيص اشتباه امكان پذير نمي باشد. از اينرو براي تشخيص فوري، اتوماتيك ، مناسب و دقيق آفات كشاورزي، استفاده از پردازش تصوير و هوش مصنوعي از جمله يادگيري عميق مي تواند بسيار مفيد باشد. در اين تحقيق، مدل هاي شبكه عصبي پيچشي براي تشخيص و شناسايي سه نوع آفت مركبات متداول در شمال ايران نظير پروانه مينوز، فوماژين (قارچ دوده مركبات) و بالشتك با استفاده از تصاوير برگ هاي آلوده، از طريق روش هاي يادگيري عميق توسعه داده شده است. براي اين منظورمعماري هاي رزنت 50 و وي جي جي 16 به عنوان شبكه عصبي پيچشي معروف با استفاده از روش انتقال يادگيري بر روي 1774 تصوير برگ آلوده مركبات كه در شرايط طبيعي و مزرعه اي فراهم گرديد، آموزش داده شد. در مرحله آموزش، از روش افزونه سازي داده ها براي افزايش تعداد نمونه هاي آموزشي و بهبود تعميم پذيري طبقه بند ها استفاده گرديد. براي تجزيه و تحليل تجربي از اعتبارسنجي ضربدري به منظور اندازه گيري دقت شبكه عصبي پيچشي استفاده شد. در اين استراتژي، همه تصاوير بدون هيچگونه همپوشاني مجموعه داده هاي آموزش و امتحان، آزمايش شدند. بر اساس نتايج به دست آمده دقت مدل هاي رزنت 50 و وي جي جي 16 به ترتيب 96.05 و 89.34 درصد ارزيابي گرديد.از اينرو مدل رزنت 50، مي تواند روش فوق را به يك سيستم مشاوره يا هشداردهنده اوليه بسيار مناسب تبديل كند.