تشخیص خودکار بیماری های برگ سویا با استفاده از شبکه عصبی کانولوشنی و یادگیری ماشین

هدف: کشاورزی همچنان یکی از عوامل اصلی رشد اقتصادی و امنیت غذایی در بسیاری از کشورهای در حال توسعه به شمار می رود و سویا یکی از مهم ترین محصولات نقدی در جهان محسوب می شود. به دلیل ارزش غذایی بالای آن، سویا به طور گسترده در رژیم های غذایی انسانی و خوراک دام مصرف می شود و استفاده از آن به عنوان جایگزین شیر نیز به دلیل ماندگاری بیشتر پس از فرآوری رو به افزایش است. با این حال، تولید سویا اغلب در معرض طیف وسیعی از بیماری های برگی قرار دارد که بسته به شرایط خاک، عوامل اقلیمی و الگوهای کشت متفاوت هستند. این بیماری ها باعث کاهش چشمگیر در عملکرد و کیفیت محصول می شوند و ضرورت استفاده از روش های تشخیص کارآمد، خودکار و دقیق را برجسته می سازند. هدف این مطالعه طراحی و ارزیابی یک چارچوب تشخیص بیماری برگ سویا از طریق مقایسه روش های سنتی یادگیری ماشین با رویکردهای یادگیری عمیق است.مواد و روش ها: یک مجموعه داده انتخاب شده شامل ۱۵۰۰ تصویر برگ سویا در دسته های مختلف بیماری به کار گرفته شد که به نسبت ۸۰:۲۰ برای آموزش و آزمون تقسیم گردید. پیش از آموزش مدل ها، تصاویر تحت پردازش های اولیه نظیر تغییر اندازه، تبدیل به طیف خاکستری، همسان سازی هیستوگرام و بخش بندی قرار گرفتند تا استخراج ویژگی بهبود یابد. دو رویکرد پیاده سازی شد: ماشین بردار پشتیبان (SVM) با ویژگی های استخراج شده به صورت دستی که نمایانگر یادگیری ماشین سنتی است، و یک شبکه عصبی کانولوشنی (CNN) سفارشی که نمایانگر یادگیری عمیق است. شبکه CNN با سه لایه کانولوشنی، لایه های بیشینه برداری (max-pooling) و لایه های کاملا متصل طراحی شد و از تکنیک های افزایش داده، منظم سازی Dropout و تنظیم تطبیقی نرخ یادگیری استفاده گردید. همچنین بهینه سازی ابرپارامترها برای ارتقای عملکرد انجام شد.نتایج: شبکه CNN پیشنهادی به دقت اعتبارسنجی ۱۰۰٪ دست یافت که به طور قابل توجهی بهتر از طبقه بند SVM با دقت ۴۴/۴۴% بود. اگرچه نشانه های جزئی بیش برازش مشاهده شد، اما CNN توانست قابلیت تعمیم قوی خود را در میان نمونه های متنوع برگ حفظ کند و قابلیت اطمینان آن در کاربردهای عملی را نشان دهد.نتیجه گیری: یافته ها برتری آشکار یادگیری عمیق نسبت به روش های متداول یادگیری ماشین در شناسایی بیماری های گیاهی را تایید می کنند. پژوهش های آینده بر استفاده از یادگیری انتقالی با شبکه های از پیش آموزش دیده و توسعه سامانه های تشخیص بلادرنگ مبتنی بر برنامه های تلفن همراه همراه با حسگرهای اینترنت اشیا متمرکز خواهد بود. چارچوب پیشنهادی مسیری مقیاس پذیر و قابل اعتماد برای کشاورزی فراهم می کند و مزایای قابل توجهی برای مدیریت پایدار محصولات و بهبود بهره وری در پی خواهد داشت.

کلیدواژه ها:

بیماری برگ سویا ، پیش پردازش تصویر ، شبکه عصبی کانولوشنی (CNN) ، یادگیری ماشین ، کشاورزی دقیق