بهره گیری از مدل یادگیری عمیق مبتنی بر شبکه YOLO برای تشخیص و مکان یابی بیماری های برگ درخت به

توسعه یک سیستم هوشمند دقیق و قابل اعتماد برای مدیریت بیماری های برگ درختان برای کشاورزان بسیار ضروری است. این مطالعه با هدف توسعه یک راهکار مبتنی بر هوش مصنوعی برای شناسایی بیماری های برگ درختان به، با استفاده از یک مدل پیشرفته و تک مرحله ای تشخیص اشیاء به نام YOLO انجام شده است. تصاویر بیماری های مختلف برگ این درخت از منابع متعدد، شامل مراکز تحقیقاتی کشاورزی استان اصفهان، وب سایت های مرتبط و پژوهشگران گردآوری شده است. در این پژوهش، از رویکرد یادگیری انتقالی برای ارزیابی عملکرد سه مدل شناخته شده YOLO شامل YOLOv۵m، YOLOv۷ و YOLOv۸m استفاده شد. ارزیابی و مقایسه مدل های مورد بررسی بر اساس شاخص های آماری مانند دقت (Precision)، بازخوانی (Recall)، امتیاز F۱ انجام گرفت. نتایج نشان داد که دقت مدل های YOLOv۵m، YOLOv۷ و YOLOv۸m به ترتیب ۷۸%، ۸۳% و ۸۷% بوده است. نتایج تجربی نشان داد که مدل YOLOv۸m توانایی قابل توجهی در شناسایی بیماری های برگ درختان به دارد. علاوه بر این، مقایسه مدل ها نشان داد که مدل YOLOv۸m با امتیازات ۰.۸۷ برای دقت، ۰.۶۶ برای بازخوانی، ۰.۶۹ برای امتیاز F۱ و ۰.۶۷ برای میانگین دقت، عملکرد بهتری نسبت به سایر مدل های بررسی شده دارد. بر اساس نتایج کلی این پژوهش، مدل YOLOv۸m آموزش دیده در این مطالعه می تواند به عنوان ابزاری تخصصی برای این محصول خاص معرفی شود. بنابراین، مدل توسعه یافته در این مطالعه که به طور ویژه برای بیماری های برگ درخت به طراحی شده است، می تواند در نرم افزارهای تشخیصی بیماری برگ درختان ادغام شود. چنین نرم افزارهایی می توانند به کشاورزان در تشخیص دقیق بیماری ها کمک کرده و در نهایت زیان های اقتصادی را کاهش دهند.

کلیدواژه ها:

آتشک ، بیماری برگی ، تشخیص ، زخم برگ ، یادگیری ماشین