استفاده از معماری YOLO برای شناسایی بیماری های برگ درخت عناب

عناب یکی از محصولات کلیدی در مناطق گرم و خشک است به طوری که درخت عناب توانسته خود را با کم آبی سازگار و نقش مهمی در حفظ پوشش گیاهی و چرخه اقتصادی ایفا کند. از این رو شناسایی به موقع بیماری ها در برگ درختان عناب می تواند در حفظ درخت و بهبود بهره برداری محصول عناب موثر باشد. برای این منظور در این پژوهش تعداد ۸۴۱ تصویر برگ سالم، سنک و پارانشیم درخت عناب از مجموعه داده (Birjand Native Plant Leaves (BNPL برای آموزش معماری های YOLO v۱۱s و YOLO v۸s انتخاب شده اند به طوری که پس از انجام آموزش، تصاویر جدیدی در اختیار مدل های خروجی قرار گرفته و عملکرد شناسایی بیماری ارزیابی می شود. نتایج نشان می دهند که مدل YOLO v۱۱s در زمینه شناسایی بیماری های مختلف روی برگ بهتر عمل کرده و میزان Recall، Precision و mAP به ترتیب برابر ۹۶، ۸۵.۷ و ۹۲.۰۸٪ به دست آمده است.

کلیدواژه ها:

یادگیری عمیق ، معماری YOLO ، درخت عناب ، پروانه پارانشیم خوار ، سنک