تشخیص و شمارش خودکار شب پره مینوز گوجه فرنگی، Tuta absoluta با استفاده از تکنیک یادگیری عمیق
محل انتشار: مجله آفات و بیماریهای گیاهی، دوره: 91، شماره: 2
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 162
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JAEN-91-2_002
تاریخ نمایه سازی: 13 مرداد 1403
چکیده مقاله:
استفاده از فناوری های نوین برای تشخیص و اندازه گیری تراکم جمعیت آفات، میتواند گام مهمی برای تسهیل در اجرای برنامه های مدیریت تلفیقی آفات و کنترل دقیقتر و موثرتر آن ها باشد. در این پژوهش، از تکنیک یادگیری عمیق و شبکه عصبی کانولوشنال با معماری AlexNet، جهت تشخیص و شمارش خودکار شب پره مینوز گوجه فرنگی Tuta absoluta (Myrick) (Lepidoptera: Gelechiidae)، یکی از آفات کلیدی گیاه گوجه فرنگی در ایران، استفاده شد. برای جمع آوری تصاویر حشرات بالغ T. absoluta، تعداد ۱۵ تله دلتا در دو هکتار از مزارع گوجه فرنگی پردیس کشاورزی و منابع طبیعی دانشگاه رازی، نصب گردد. به منظور تهیه تصاویر، از دوربین عکاسی سونی مدل DSC-WX۱۰۰ با دقت موثر حسگر ۱۸ مگاپیکسل، استفاده شد. برای ارزیابی عملکرد شبکه عصبی پیچشی با معماری AlexNet از پارامترهای دقت متوسط، دقت و یادآوری استفاده و برای ارزیابی عملکرد در شمارش، از منحنی رگرسیون خطی و ضریب تبیین استفاده شد. پارامترهای دقت متوسط (۹۸/۰)، دقت (۱۰۰) و یادآوری (۱۰۰) نشان از عملکرد بالای شبکه عصبی کانولوشنال در تشخیص شب پره مینوز گوجه فرنگی داشت و همچنین ضریب تبیین (۹۸/۰)، بیانگر دقت بالای شبکه در شمارش این آفت بود. به طور کلی، نتایج نشان داد که شبکه عصبی میتواند راهحلی کاربردی برای تشخیص و شمارش دقیق این آفت روی گوجه فرنگی با استفاده از تصاویر گرفته شده ارائه کند.
کلیدواژه ها:
نویسندگان
علیرضا شعبانی نژاد
گروه گیاه پزشکی، دانشکده کشاورزی، دانشگاه رازی
عباسعلی زمانی
۱- گروه گیاه پزشکی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه
مجید ایرانپور مبارکه
دانشکده کامپیوتر و فناوری اطلاعات، دانشگاه پیام نورمبارکه، اصفهان
سعید عباسی
گروه گیاهپزشکی، دانشکده علوم و مهندسی کشاورزی، دانشگاه رازی، کرمانشاه
فرانک رنجبر
گروه خاکشناسی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
