MobileNetV۲-Atrous: یک مدل سبک وزن برای پایش و شناسایی هوشمند بیماری برگ گیاهان با قابلیت استقرار بر روی ربات های متحرک کشاورزی

تشخیص خودکار بیماری های برگ گیاهان نقش مهمی در افزایش بهره وری و کاهش ضایعات در کشاورزی هوشمند دارد. روش های سنتی مبتنی بر بازدید چشمی زمان بر، پرهزینه و مستعد خطا هستند و مدل های یادگیری عمیق سنگین، با وجود دقت بالا، برای استقرار روی سامانه های رباتیک و دستگاه های لبه ای با منابع محدود مناسب نمی باشند. علاوه بر این، داده های آزمایشگاهی اغلب با شرایط واقعی باغ همخوانی ندارند و قابلیت تعمیم مدل را کاهش می دهند. در این پژوهش، یک چارچوب سبک وزن و دقیق مبتنی بر MobileNetV۲-Atrous و مجموعه داده چنددامنه ای AL۹EE ارائه شد. با بهره گیری از تکنیک های پیشرفته افزونه دهی داده شامل RandAugment، Cutout، MixUp و CutMix، توان تعمیم پذیری مدل بهبود یافت و بیش برازش کاهش یافت. نوآوری اصلی در جایگزینی کانولوشن های Depthwise با Atrous Depthwise Convolution است که میدان دید شبکه را بدون افزایش پارامترها گسترش می دهد و امکان شناسایی هم زمان الگوهای موضعی و زمینه ای بیماری ها را فراهم می کند. مدل آموزش دیده با استفاده از Mixed Precision Training و AdamW، به دقت اعتبارسنجی ۹۸٪ دست یافت و پس از کوانتیزاسیون INT۸، حجم مدل حدود ۷۵٪ کاهش یافت (از ۱۴ مگابایت به ۳.۵ مگابایت) و قابلیت استقرار روی پردازنده های لبه ای و ربات های زمینی فراهم شد. نتایج ماتریس درهم ریختگی و منحنی های ROC نشان دهنده عملکرد متعادل و قابل اعتماد مدل در تشخیص ۹ کلاس بیماری و برگ سالم است. این چارچوب، ترکیبی از دقت بالا، سبک وزنی و قابلیت استقرار عملی را ارائه می دهد و گامی موثر در توسعه سامانه های رباتیک پایش بلادرنگ بیماری های گیاهی به شمار می رود.

کلیدواژه ها:

بینایی ماشین ، یادگیری عمیق سبک وزن ، کشاورزی هوشمند ، بیماری برگ گیاهان ، MobileNetV۲-Atrous ، پایش رباتیک ، استقرار لبه ای(Edge Deployment)