طراحی و پیاده سازی سیستم هوشمند مبتنی بر یادگیری عمیق برای شناسایی خودکار گال های بلوط در اکوسیستم های جنگلی زاگرس

سابقه و هدف: گال های بلوط، ساختارهای رشدکرده غیر طبیعی هستند که در نتیجه­ تعاملات پیچیده بین گیاه و عوامل القاکننده (مانند حشرات گال زا) پدید می­آیند و شاخص های اکولوژیکی کلیدی برای ارزیابی سلامت اکوسیستم های جنگلی و تنوع زیستی به شمار می­روند. جنگل های زاگرس به عنوان یکی از مهمترین اکوسیستم های ایران، میزبان گونه های غالب بلوط و تنوع گسترده ای از گال هاست که علاوه بر نقش اکولوژیکی، دارای کاربردهای دارویی و صنعتی نیز هستند. با این حال، تنوع مورفولوژیکی بالا، شباهت ظاهری بین گونه ها و شرایط پیچیده محیطی، شناسایی دستی گال ها را با چالش مواجه کرده است. هدف این پژوهش، بررسی قابلیت­های الگوریتم YOLOv۸n همراه با طراحی و پیاده سازی یک سیستم هوشمند مبتنی بر یادگیری عمیق برای شناسایی خودکار ۴۷ گونه گال بلوط در جنگل های زاگرس و تسهیل دسترسی به این دانش برای کاربران غیرمتخصص است.مواد و روش ها: مجموعه داده ای شامل ۸۴۵۲ تصویر از ۴۷ گونه گال بلوط از منابع میدانی و پلتفرم های عمومی مانند iNaturalist جمع آوری شد. پس از مراحل پیش پردازش شامل تغییر اندازه استاندارد، حذف تصاویر کم کیفیت و افزایش داده با تکنیک هایی مانند چرخش و تغییر روشنایی، داده ها به فرمت YOLOv۸ تبدیل و با نسبت های ۷۰ درصد آموزش، ۲۰ درصد اعتبارسنجی و ۱۰ درصد آزمون تقسیم بندی شدند. مدل YOLOv۸n با بهره گیری از یادگیری انتقالی براساس وزن های پیش آموزش دیده در محیط Google Colab و با GPU Tesla T۴ آموزش دید. برای جلوگیری از بیش برازش، از Dropout نرخ ۳/۰ وEarly Stopping ، ۵۰ دوره استفاده شد. پس از آموزش، یک رابط کاربری گرافیکی مبتنی بر Gradio توسعه یافت و از طریق Hugging Face Spaces به صورت عمومی منتشر گردید.نتایج و یافته ها: مدل آموزش دیده به طور میانگین دقت (Precision=۰.۸۳)، بازیابی (Recall= ۰.۸۲)، mAP@۵۰ برابر ۸۶/۰ و  (mAP@۵۰:۹۵) برابر ۶۱/۰ را کسب کرد. گونه هایی مانندCynips quercusfoli  دقت: ۹۴۴/۰ و Andricus tomentosus  بادقت: ۹۴۰/۰ بالاترین عملکرد را نشان دادند، درحالی که گونه های کم نمونه مانند Andricus malpighii  بادقت: ۵۸۳/۰ وNeuroterus numismalis (mAP@۵۰:۹۵ = ۰.۳۹)  به دلیل نامتوازن بودن داده ها عملکرد ضعیف تری داشتند. ماتریس سردرگمی نیز اشتباهات طبقه بندی بین گونه های مشابه را آشکار کرد. سیستم توسعه یافته قادر است در کمتر از ۶ میلی ثانیه، گال های بلوط را در تصاویر میدانی با پس زمینه های پیچیده شناسایی کند. رابط کاربری طراحی شده امکان استفاده آسان توسط جنگلبانان، محیط بانان و علاقه مندان را فراهم می کند و به عنوان ابزاری عملیاتی برای پایش تنوع زیستی و مدیریت پایدار جنگل ها عمل می نماید. همچنین، پایگاه داده بومی ایجادشده می تواند به عنوان مرجعی برای تحقیقات آینده در حوزه اکولوژی گال ها و تغییرات جمعیتی مورد استفاده قرار گیرد.نتیجه گیری: این پژوهش نشان می دهد که مدل های سبک وزن یادگیری عمیق مانند YOLOv۸n می توانند حتی در شرایط پیچیده­ محیطی و با داده های نامتوازن، عملکردی قابل اطمینان داشته باشند. این سیستم نه تنها از نظر فنی موثر است، بلکه با همگانی سازی دانش زیستی، گامی کلیدی در جهت ادغام فناوری های هوش مصنوعی با حفاظت از منابع طبیعی در ایران برداشته است. این رویکرد، ظرفیت های محلی را در پایش اکوسیستم ها تقویت کرده و امکان مشارکت گسترده تر جامعه در حفاظت از تنوع زیستی را فراهم می کند. علاوه بر این، سیستم توسعه یافته به عنوان یک زیرساخت دیجیتال پایدار می تواند در بلندمدت به عنوان بستری برای جمع آوری داده های مشاهداتی از سوی کاربران میدانی عمل کند و به ایجاد یک سامانه پایش توزیع شده در سطح جنگل های زاگرس کمک نماید. بنابراین، پیشنهاد می شود در مطالعات آینده از روش های یادگیری فعال و تولید داده مصنوعی با کیفیت مانند (Diffusion Models) یا (GANs) برای جمع آوری هدفمند داده از گونه های کم نمونه استفاده شود. همچنین، ارزیابی عملی سیستم در شرایط واقعی میدانی و بهینه سازی آن برای اجرا روی دستگاه های همراه یا لبه ای (Edge Devices)، می تواند کاربردی بودن این ابزار را در مدیریت پایدار منابع طبیعی افزایش دهد.

کلیدواژه ها:

یادگیری عمیق ، گال بلوط ، جنگل های زاگرس ، شناسایی خودکار ، تنوع زیستی