شناسایی بیماریهای گیاهی در چند نوع محصول با استفاده از پردازش تصویر و الگوریتمهای مبتنی بر یادگیری عمیق

شناخت بصری علائم بیماری در برگ گیاهان شامل مشاهده تغییرات ظاهری است که می تواند نشانه ای از وجود بیماری یا استرس گیاه باشد. این علائم عبارت اند از لکه ها، تغییر رنگ، پژمردگی، خوردگی برگ، رشد غیرعادی و ریزش غیرطبیعی برگ. این علائم با استفاده از ابزارهای بصری پیشرفته نظیر حسگرهای سنجش از دور و پهبادها و الگوریتمهای مبتنی بر هوش مصنوعی، قابل شناسایی و مدیریت هستند. این مطالعه به بررسی شناسایی بیماری های گیاهی در محصولات مختلف با استفاده از پردازش تصویر و الگوریتم های یادگیری عمیق پرداخت. سه مدل مبتنی بر یادگیری عمیق با معماری RegNet، ShuffleNet و DenseNet برای طبقه بندی بیماری ها بر اساس داده های تصویری برگهای بیمار از ۵ محصول مختلف درت، سیب زمینی، نیشکر، گندم و برنج ارزیابی شدند. نتایج نشان داد مدل RegNet عملکرد پایداری داشته و ShuffleNet با اورفیت خفیف، دقت قابل قبولی ارائه داده است. مدل DenseNet نوساناتی در دقت داشت و نیازمند بهبود است. معیارهای دقت، صحت، بازخوانی و منحنی های ROC و نمودار دقت-بازخوانی نشان دادند که مدل ها در شناسایی اکثر کلاس ها عملکرد خوبی دارند (نرخ شناسایی صحیح بالای ۹۷%). چالش هایی مانند کمبود داده های متوازن و شباهت علائم بیماری ها نیز شناسایی شد. این تحقیق ننایج نویدبخشی را در راستای مدیریت بیماریهای گیاهی توسط فناوری های نوین ارایه می دهد.

کلیدواژه ها:

بیماری ، برگ ، پردازش تصویر ، یادگیری عمیق