استفاده از یادگیری ماشین با رویکرد کمبرچسب در کشاورزی دقیق: راهکاری برای تحول کشاورزی در مناطق محروم با تمرکز بر تشخیص بیماریهای برنج

کشاورزی دقیق به عنوان یکی از راهکارهای کلیدی برای مقابله با چالش های امنیت غذایی در جهان مطرح است، اما در مناطق محروم، محدودیت هایی مانند کمبود داده های برچسب دار، زیرساخت های ضعیف و منابع مالی محدود، مانع از بهره مندی کامل از فناوری های پیشرفته می شوند. این مقاله به بررسی پتانسیل روش های یادگیری کمبرچسب (Few-Shot Learning) در تشخیص بیماری های برگ برنج با استفاده از مجموعه داده rice_leaf_diseases می پردازد، مجموعه ای که شامل تصاویری از بیماری های کلیدی مانند بالست برنج، لکه قهوه ای و تنگ بالیت است. نتایج این مطالعه نشان دهنده عملکرد چشمگیر این روش است: در سناریوی کمبرچسب با تنها ۳ تصویر برچسب دار، دقت ۵.۷۸٪ و امتیاز F۱ برابر با ۸.۶۸٪ به دست آمد، در حالی که در سناریوی پربرچسب با ۲۱ تصویر، دقت به ۶.۳۹٪ و امتیاز F۱ به ۰.۳۹٪ رسید. این نتایج نه تنها نشان دهنده کارایی روش کمبرچسب در شرایط کمبود داده است، بلکه بر قابلیت پیاده سازی آن در مناطق محروم تاکید دارد، جایی که جمع آوری داده های گسترده عملا غیرممکن است. این رویکرد می تواند با کاهش هزینه ها و افزایش دسترسی به فناوری، به کشاورزان کمک کند تا با تشخیص زودهنگام بیماری ها، از خسارات گسترده جلوگیری کنند. این مقاله یک چارچوب عملی و اقتصادی ارائه می دهد که

کلیدواژه ها:

یادگیری ماشین ، کشاورزی دقیق ، کمبرچسب ، تشخیص بیماری ، بیماریهای برگ برنج