کشف اولیه و طبقه بندی بیماری های گیاهی با شبکه های عصبی کانولوشنال و نانو حسگرهای زیستی

هدف: عفونت های ناشی از ویروس ها و باکتری ها، مشکلات اولیه مرتبط با میکروب هستند که به طور قابل توجهی بهره وری کشاورزی را در سراسر جهان کاهش می دهند. در حال حاضر، شناسایی عوامل بیماری زا به دلیل شرایط زندگی غالب دشوار است. حسگرهای زیستی امروزه به طور گسترده برای نظارت بر ذرات میکروبی و ویروسی استفاده می شوند. مواد و روش ها: جلوگیری از هدررفت محصول و کاهش اثرات اقتصادی و زیست محیطی نیازمند شناسایی زودهنگام بیماری های گیاهی است. ردیابی نانوذرات آلودگی گیاهی، تشخیص زودهنگام بیماری را به دلیل نانوتکنولوژی و حسگرهای زیستی ممکن کرده است. پاتوژن ها از جمله باکتری ها، قارچ ها و ویروس ها نانوذراتی را با آثار شیمیایی منحصربه فرد تشکیل می دهند که ممکن است توسط نانو حسگرهای زیستی حساس شناسایی شوند. کشاورزی دقیق اکنون پاسخ های سریع تر و کنترل بیماری های خاص تر را امکان پذیر می کند. روش های یادگیری عمیق (DL)، به ویژه شبکه های عصبی کانولوشن (CNN)، می توانند الگوهای سلسله مراتبی را در داده های نانو حسگر زیستی بیاموزند و گیاهان سالم و آلوده را به طور دقیق تشخیص دهند، حتی در مراحل اولیه آلودگی. این امر کشاورزی دقیق و مدیریت بیماری را گسترش می دهد.   نتایج: این مطالعه از مدل ECPD-CNN-NBS برای شناسایی بیماری لکه های باکتریایی (BS) در گیاهان هلو با تجزیه و تحلیل تصاویر برگ آنها استفاده می کند. این مدل همچنین می تواند برای تشخیص ECPD استفاده شود. آزمایش های انجام شده در این مقاله از مجموعه داده های قابل دسترسی عمومی PlantVillage برای به دست آوردن تصاویر برگ گیاهان هلو استفاده می کنند. نتیجه گیری: سیستم پیشنهادی با استفاده از ۱۰۰۱۳ پارامتر یادگیری به دقت یادگیری ۹۹.۵۵ درصد و دقت تست ۹۹.۰۱ درصد می رسد.

کلیدواژه ها:

اسپات باکتریایی ، بیماری های گیاهی ، شبکه های عصبی کانولوشنال ، مجموعه داده PlantVillage ، نانو حسگرهای زیستی