مرضیه زارع نظری - دانشجوی دکتری، دانشکده تحصیلات تکمیلی، گروه مهندسی کامپیوتر، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران
محسن سرداری زارچی - استادیار، دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه میبد، میبد، ایران
سیما عمادی - استادیار، دانشکده تحصیلات تکمیلی،گروه مهندسی کامپیوتر، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران
هادی پورمحمدی - استادیار، دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه حایری، میبد، ایران

پشه ها عامل اصلی انتشار بیماری های خطرناک مانند مالاریا، تب زرد، تب دانگ و زیکا هستند. موثرترین روش کنترل این دسته از بیماری ها، شناسایی صحیح انواع گونه های پشه است. در روش شناسایی پشه ها به شیوه سنتی، تعیین هویت بر اساس تشخیص های مرفولوژیکی توسط انسان های متخصص با مهارت های خاص صورت می-گیرد. مهمترین چالش طبقه بندی کاهش تعداد افراد خبره و تنوع زیاد گونه های مختلف پشه است. به منظور غلبه بر این چالش، توسعه یک روش خودکار بر اساس معماری های یادگیری عمیق برای شناسایی و طبقه بندی پشه ها منبع ارزشمندی برای افراد غیر متخصص خواهد بود. هدف از این پژوهش، ارائه مدلی از نوع شبکه کانولوشن به منظور قطعه بندی و طبقه بندی تصاویر پشه با ادغام معماری ResNet۱۰۱ و تکنیک Mask_RCNN می باشد. ۲۳۵۴ تصویر پشه از سه گونه آنوفل، آئدس و کولکس با یکدیگر مقایسه می شوند. در مدل پیشنهادی به جای ورودی شبکه به صورت تصویر کامل پشه ابتدا تصاویر قطعه بندی شده و سپس قسمت های مختلف شکم، پا، بال و سر به عنوان ورودی به شبکه داده می شود. ماسک باینری متناظر از اجزای تشریح شده بدن پشه توسط شبکه کانولوشن جهت استخراج ویژگی برای هر قسمت مجزا تولید می شود و سپس مقدار زیان بین مقادیر طبقه بندی شده و برچسب تصاویر محاسبه می شود. نتایج ارزیابی نشان داد استخراج تصاویر آناتومی پشه بر طبقه بندی سریع تر تصاویر تاثیر می گذارد و شبکه با دقت ۸۴/۹۷ درصد نسبت به حالت معمولی بهتر عمل کرده است.

یادگیری عمیق, شبکه عصبی کانولوشن, دسته بندی, قطعه بندی, پشه