چارچوب تفسیرپذیر یادگیری عمیق برای تشخیص مکان یابی و طبقه بندی بیماری ها و آفات برگ چای

بیماری ها و آفات برگ چای از عوامل مهم کاهش کیفیت و عملکرد محصول چای هستند و تشخیص زودهنگام آن ها نقش مهمی در مدیریت هوشمند مزارع و کاهش خسارات اقتصادی دارد. در سال های اخیر روش های مبتنی بر یادگیری عمیق و بینایی ماشین به طور گسترده برای تشخیص بیماری های گیاهی به کار گرفته شده اند. با این حال، شباهت ظاهری برخی بیماری ها و آفات، تنوع شرایط تصویربرداری و نیاز به تصمیم گیری قابل اعتماد و تفسیرپذیر، همچنان از چالش های اصلی این حوزه به شمار می روند. در این پژوهش یک چارچوب تفسیرپذیر مبتنی بر یادگیری عمیق برای تشخیص مکان یابی و طبقه بندی بیماری ها و آفات برگ چای ارائه شده است. در بخش تشخیص و مکان یابی از مدل YOLO۱۱s و در بخش طبقه بندی از دو مدل EfficientNetV۲-S و MobileNetV۳-Large استفاده شد. نتایج ارزیابی نشان داد مدل YOLO۱۱s به Precision برابر ۰/۹۶۴، Recall برابر ۰/۹۷۳، mAP۵۰ برابر ۰/۹۷۹ و mAP۵۰-۹۵ برابر ۰/۸۶۷ دست یافت. همچنین مدل MobileNetV۳-Large با Accuracy برابر ۰/۹۹۲۹ و Macro score برابر ۰/۹۹۲۷ بهترین عملکرد را در طبقه بندی تصاویر ارائه کرد. به منظور تحلیل تفسیرپذیری تصمیمات مدل از Grad-CAM استفاده شد که نتایج آن نشان داد مدل عمدتا بر نواحی مرتبط با علائم بیماری و آفت تمرکز می کند. نتایج این پژوهش نشان می دهد که چارچوب پیشنهادی علاوه بر دستیابی به دقت بالا، از قابلیت تفسیرپذیری مناسبی برخوردار بوده و می تواند به عنوان راهکاری موثر برای توسعه سامانه های هوشمند پایش سلامت برگ چای مورد استفاده قرار گیرد.

کلیدواژه ها:

بیماری برگ چای ، آفت برگ چای ، یادگیری عمیق ، MobileNetV۳-Large ، EfficientNetV۲-S ، YOLO۱۱ ، Grad-CAM ، نشت داده ، بینایی ماشین