بررسی روش های یادگیری عمیق در پایش و شناسایی بیماری های گندم

بیماری های گندم و سایر محصولات زراعی، از عوامل اصلی کاهش عملکرد و کیفیت محصولات کشاورزی هستند و شناسایی سریع و دقیق آن ها برای مدیریت موثر بیماری ها ضروری است. پیشرفت های اخیر در حوزه هوش مصنوعی و یادگیری عمیق فرصت های قابل توجهی برای توسعه سیستم های خودکار تشخیص بیماری فراهم کرده است. در این مطالعه، مرور جامعی از تحقیقات منتشرشده بین سال های ۲۰۱۰ تا ۲۰۲۵ ارائه شده است که روش های یادگیری عمیق، شبکه های عصبی پیچشی (CNN)، مدل های ترکیبی و روش های پیش پردازش تصویر برای شناسایی بیماری های قارچی، باکتریایی و ویروسی گندم را تحلیل کرده اند. نتایج نشان داد که معماری های پیشرفته و سبک قادر به تشخیص دقیق بیماری ها با دقتی تا بیش از ۹۰ درصد هستند. همچنین، روش های پیش پردازش شامل تقسیم بندی، بهبود تصویر و افزایش داده نقش موثری در افزایش دقت مدل ها دارند. این مرور همچنین اهمیت استفاده از مجموعه داده های استاندارد و برچسب گذاری شده دقیق برای توسعه مدل های قابل تعمیم و قابلیت پیاده سازی در شرایط مزرعه ای و دستگاه های همراه را برجسته می کند. جمع بندی این یافته ها، پایه علمی و فنی محکمی برای توسعه سامانه های هوشمند پایش سلامت گندم فراهم می کنند و نشان دهنده پتانسیل بالای یادگیری عمیق در بهبود امنیت غذایی و مدیریت پایدار محصولات زراعی هستند.

کلیدواژه ها:

پیش پردازش تصاویر ، تشخیص بیماری های گندم ، شبکه های عصبی پیچشی ، کشاورزی دقیق ، یادگیری عمیق