دوره 17، شماره 109 - ( 1399 )                   جلد 17 شماره 109 صفحات 152-143 | برگشت به فهرست نسخه ها

‎ 10.52547/fsct.17.109.143

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Khanramaki M, Askari Asli‐Ardeh E, Kozegar E, loni R. Detection of common citrus pests in northern Iran using an artificial neural network. FSCT 2021; 17 (109) :143-152
URL: http://fsct.modares.ac.ir/article-7-43117-fa.html
خان رمکی مرتضی، عسکری اصلی ارده عزت اله، کوزه گر احسان اله، لونی ریحانه. تشخیص آفات متداول مرکبات در شمال ایران با استفاده از شبکه عصبی مصنوعی. مجله علوم و صنایع غذایی ایران. 1399; 17 (109) :143-152

URL: http://fsct.modares.ac.ir/article-7-43117-fa.html

تشخیص آفات متداول مرکبات در شمال ایران با استفاده از شبکه عصبی مصنوعی
مرتضی خان رمکی1 ، عزت اله عسکری اصلی ارده 2، احسان اله کوزه گر3 ، ریحانه لونی4
1- دانشجوی دکتری، گروه مهندسی بیوسیستم، دانشگاه محقق اردبیلی، اردبیل، ایران.
2- دانشیار گروه مهندسی مکانیک بیوسیستم دانشگاه محقق اردبیلی، اردبیل، ایران ، ezzataskari@uma.ac.ir
3- استادیار گروه مهندسی کامپیوتر دانشکده فنی و مهندسی شرق گیلان دانشگاه گیلان، گیلان، ایران
4- پژوهشگر پسادکتری، گروه مهندسی مکانیک بیوسیستم، دانشگاه تربیت مدرس، تهران، ایران
چکیده:   (2811 مشاهده)
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، مدل‌های 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 برگ‌های آلوده، از طریق روش‌های یادگیری عمیق توسعه داده شده است. برای این منظورمعماری‌های رزنت‌50 و وی‌جی‌جی‌16 به عنوان شبکه عصبی پیچشی معروف با استفاده از روش انتقال یادگیری بر روی 1774 تصویر برگ آلوده مرکبات که در شرایط طبیعی و مزرعه‌ای فراهم گردید، آموزش داده شد. در مرحله آموزش، از روش افزونه‌سازی داده‌ها برای افزایش تعداد نمونه‌های آموزشی و بهبود تعمیم‌پذیری طبقه‌بند‌ها استفاده گردید. برای تجزیه و تحلیل تجربی از اعتبارسنجی ضربدری به منظور اندازه‌گیری دقت شبکه عصبی پیچشی استفاده شد. در این استراتژی، همه تصاویر بدون هیچگونه همپوشانی مجموعه داده‌های آموزش و امتحان، آزمایش شدند. بر اساس نتایج به دست آمده دقت مدل‌های  رزنت‌50 و وی‌جی‌جی‌16 به ترتیب 05/96 و 34/89 درصد ارزیابی گردید.از اینرو مدل رزنت‌50، می تواند روش فوق را به یک سیستم مشاوره یا هشداردهنده اولیه بسیار مناسب تبدیل کند.
واژه‌های کلیدی: آفات مرکبات، یادگیری عمیق، رزنت50، وی جی جی 16، شبکه عصبی پیچشی
متن کامل [PDF 762 kb]   (1446 دریافت)    
نوع مقاله: پژوهشی اصیل | موضوع مقاله: ماشین آلات صنایع غذایی
دریافت: 1399/3/4 | پذیرش: 1399/6/12 | انتشار: 1399/12/19
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.