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: (2679 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.
نوع مقاله:
پژوهشی اصیل |
موضوع مقاله:
ماشین آلات صنایع غذایی دریافت: 1399/3/4 | پذیرش: 1399/6/12 | انتشار: 1399/12/19