<span lang="AR-SA">ارزیابی آماری پایداری معماری های یادگیری عمیق در تشخیص بیماری های برگ گوجه فرنگی

تشخیص دقیق و به موقع بیماری های برگ گوجه فرنگی نقش اساسی در کاهش خسارات، افزایش بهره وری و دستیابی به کشاورزی پایدار دارد. بخش عمده ای از مطالعات در زمینه یادگیری عمیق در این حوزه، تنها به یک اجرای منفرد بسنده کرده و پایداری آماری را نادیده گرفته اند؛ موضوعی که اعتبار و کاربردپذیری عملی این روش ها را محدود می سازد. هدف این پژوهش، پر کردن این شکاف از طریق ارائه یک چارچوب ارزیابی جامع و پایدار برای مقایسه معماری های مختلف یادگیری عمیق در تشخیص بیماری های برگ گوجه فرنگی است. در این راستا، یک شبکه عصبی پیچشی پایه آموزش دیده از ابتدا، در کنار چندین مدل پیشرفته مبتنی بر یادگیری انتقالی از خانواده های ResNet، GoogLeNet، EfficientNet و DenseNet بر روی مجموعه داده استاندارد مرجع مورد ارزیابی تطبیقی قرار گرفت. برای تضمین مقایسه ای واقع بینانه، تمامی مدل ها تحت ۲۵ اجرای کاملا مستقل با مقداردهی اولیه تصادفی آموزش داده شدند و شاخص های متنوعی شامل دقت، صحت، بازخوانی، امتیاز F۱، ضریب همبستگی متیوز، مساحت زیر منحنی ROC و انحراف معیار نتایج، محاسبه و تحلیل شد. نتایج نشان داد که مدل های مبتنی بر یادگیری انتقالی، علاوه بر دستیابی به دقت بالاتر، از پایداری آماری به مراتب بیشتری نسبت به شبکه پایه برخوردارند. در میان آن ها، DenseNet-۱۲۱ با دقت میانگین ۰٫۹۹۶ و کمترین انحراف معیار (۰٫۰۰۱۱)، پایدارترین عملکرد را داشت. تحلیل کیفی ماتریس های اغتشاش نیز کاهش معنادار خطاهای بین کلاسی را تایید کرد. این یافته ها نشان می دهد که ارزیابی چنداجرایی و توجه به پایداری آماری، گامی ضروری برای انتخاب مدل های قابل اعتماد در سامانه های هوشمند تشخیص بیماری گیاهان و توسعه کاربردهای عملی در کشاورزی آینده است.

کلیدواژه ها:

یادگیری انتقالی ، شبکه های عصبی پیچشی ، تعمیم پذیری ، بیش برازش ، پایش سلامت گیاه