مقایسه عملکرد دو معماری ژرف و کم عمق شبکه های عصبی کانولوشنی جهت تشخیص و طبقه بندی بیماری روی برگ محصول خیار
- سال انتشار: 1402
- محل انتشار: پانزدهمین کنگره ملی و اولین کنگره بین المللی مهندسی مکانیک بیوسیستم و مکانیزاسیون کشاورزی
- کد COI اختصاصی: NCAMEM15_175
- زبان مقاله: فارسی
- تعداد مشاهده: 285
نویسندگان
گروه مهندسی بیوسیستم دانشگاه تبریز، ایران
گروه مهندسی بیوسیستم دانشگاه تبریز، ایران
گروه مهندسی بیوسیستم دانشگاه تبریز، ایران
گروه مهندسی بیوسیستم دانشگاه تبریز، ایران
چکیده
خیار یکی از پر مصرف ترین محصول در بین عموم مردم می باشد. تولید این محصول متناسب با نیاز مردم از اهمیت بالایی برخوردار است در حالیکه عملکرد محصول متاثر از عوامل مختلفی نظیر آفات و حشرات و بیماری های گوناگون می باشد. شناسایی و تشخیص بیماری در مراحل اولیه آن می تواند باعث کاهش زیان های اقتصادی و افزایش کیفیت تولید گردد. شناسایی بیماری محصول به کمک نیروی انسانی، فرآیندی بسیار زمانبر و پرهزینه است. با توجه به اینکه کشاورزی یک حوزه مهم برای پیاده سازی تکنیک های رایج مبتنی بر بینایی ماشین است لذا می توان برای شناسایی و تشخیص بیماری محصولات مختلف از این تکنیک ها بهره گرفت. یادگیری عمیق ۱ یکی از انواع مختلف تکنیک های رایج در بینایی ماشین۲ است که کمک های قابل توجهی به طبقه بندی۳ و شناسایی ۴ عملیات به کار رفته در حوزه کشاورزی دقیق کرده است. در این تحقیق با هدف شناسایی و طبقه بندی محصول سالم و ناسالم خیار، از شبکه های عصبی کانولوشنی مبتنی بر یادگیری عمیق استفاده شد. دو معماری معروف رزنت ۱۰۱ لایه و موبایل نت نسخه ۳ جهت آموزش برگ ناسالم و سالم محصول خیار اتخاذ شد. داده های ارزیابی در دو نوع آماده و حاصل شده از گلخانه دانشگاه تبریز بود. معماری موبایل نت نسخه۳ با وجود کم عمق بودن و تعداد کم پارامترهای آموزشی نتایج قابل توجهی را از خود ارائه داد. صحت شناسایی و طبقه بندی معماری ارائه شده برابر با ۹۸/۶۴ بود. استفاده از این نوع معماری ها جهت استفاده در گوشی های هوشمند و سامانه های تعبیه شده ۵ به دلیل ساختار سبک و کمعمق بسیار مناسب خواهد بودکلیدواژه ها
کشاورزی دقیق، تشخیص بیماری گیاهی، یادگیری عمیق، شبکه عصبی کانولوشنیمقالات مرتبط جدید
- تقریب سیگنال به وسیله گراف با گره های حاوی اطلاعات با ایده یادگیری فعال
- افزایش بازدهی پنل های خورشیدی با تکنولوژی های نوظهور
- پش بینی دیابت با استفاده از گج تهای پوشیدنی و کنترل آن با اپلیکیشن قابل نصب روی تلفن همراه
- استفاده از الگوریتم بهینه سازی گراویتی به منظور کاهش ابعاد در داده هایی با ابعاد بالا
- مزایا و چالش های استفاده از بستر رایانش ابری: مطالعه مروری
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.