پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 655 |
| تعداد مقالات | 9,588 |
| تعداد مشاهده مقاله | 68,558,743 |
| تعداد دریافت فایل اصل مقاله | 48,020,305 |
بررسی مقایسه‌ای دو معماری ژرف و کم‌عمق شبکه‌های عصبی پیچشی در طبقه‌بندی بیماری‌های برگ خیار | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 11 شهریور 1404 اصل مقاله (724.02 K) | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2025.32983.2609 | ||
| نویسندگان | ||
| حسین اختری؛ حسین نوید* ؛ علی غفارنژاد؛ نیر اطمینان فر | ||
| گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز | ||
| تاریخ دریافت: 27 دی 1402، تاریخ بازنگری: 27 فروردین 1404، تاریخ پذیرش: 20 اردیبهشت 1404 | ||
| چکیده | ||
| خیار یکی از پرمصرف‌ترین محصول در بین عموم مردم می‌باشد. تولید این محصول متناسب با نیاز مردم از اهمیت بالایی برخوردار است. در حالی‌که عملکرد محصول متاثر از عوامل مختلفی نظیر آفات و حشرات و بیماری‌های گوناگون می‌باشد. شناسایی و تشخیص بیماری در مراحل اولیه آن می‌تواند باعث کاهش زیان‌های اقتصادی و افزایش کیفیت تولید گردد. شناسایی بیماری محصول به کمک نیروی انسانی، فرآیندی بسیار زمان‌بر و پرهزینه است. با توجه به اینکه کشاورزی یک حوزه مهم برای پیاده‌سازی تکنیک‌های رایج مبتنی بر بینایی ماشین است لذا می‌توان برای شناسایی و تشخیص بیماری محصولات مختلف از این تکنیک‌ها بهره گرفت. یادگیری عمیق یکی از انواع مختلف تکنیک‌های رایج در بینایی ماشین و هوش مصنوعی است، که کمکهای قابل توجهی به طبقه‌بندی و شناسایی عملیات به‌کار رفته در حوزه کشاورزی دقیق کرده است. در این تحقیق با هدف شناسایی و طبقه‌بندی محصول سالم و ناسالم برگ خیار، از شبکه‌های‌عصبی پیچشی مبتنی بر یادگیری‌عمیق استفاده شد. دو معماری معروف رِزنت 101 لایه و موبایل‌نت نسخه 3 جهت آموزش برگ ناسالم و سالم محصول خیار اتخاذ شد. مجموعه داده از بستر کگل استخراج و پس از پیش‌پردازش‌های مناسب، مورد آموزش و آزمایش قرار گرفت. معماری موبایل‌نت نسخه3 با وجود کم عمق بودن و تعداد کم پارامترهای آموزشی نتایج قابل توجهی را از خود ارائه داد. دقت شناسایی و طبقه بندی معماری ارائه شده برابر با 98/64 درصد بود. استفاده از این نوع معماری‌ها جهت استفاده در گوشی‌های هوشمند و سامانه‌های تعبیه شده به دلیل ساختار سبک و کم‌عمق بسیار مناسب خواهد بود. | ||
| کلیدواژه‌ها | ||
| کشاورزی دقیق؛ تشخیص بیماری گیاهی؛ یادگیری عمیق؛ شبکه عصبی کانولوشنی؛ خیار | ||
| عنوان مقاله [English] | ||
| A comparative study of two deep and shallow convolutional neural network architectures for classifying of cucumber leaf diseases | ||
| نویسندگان [English] | ||
| Hossein Akhtari؛ Hossein Navid؛ Ali Gaffarnejad؛ Nayer Etminan far | ||
| Biosystem Engineering department, Faculty of Agriculture, University of Tabriz | ||
| چکیده [English] | ||
| Cucumber is one of the most consumed products. Performance and quality of the cucumber production is affected by various factors such as pests, insects, and various diseases. Diagnosing the diseases in early stages can reduce economic losses, and increase the quality of production. Agriculture is an important area for the implementation of common techniques based on AI-powered machine vision. Deep learning is one of the different types of common techniques in artificial intelligence, which has made significant contributions to the classification and identification of operations used in precision agriculture. In this research, Convolutional Neural Networks (CNN) based on deep learning were used to identify and classify healthy and unhealthy cucumber leaves. ReseNet-101 and MobileNet-v3 architectures were used to train healthy and unhealthy leaves of cucumber. The dataset was obtained from the Kaggle platform, and after appropriate preprocessing, it was trained and evaluated. Despite being shallow and with a small number of training parameters, MobileNet-v3 architecture provided significant results. The accuracy of the presented architecture identification and classification was equal to %98.64. The use of this type of architecture will be very suitable for use in smartphones and embedded systems due to its light and shallow structure. | ||
| کلیدواژه‌ها [English] | ||
| Precision Agriculture, Deep learning, Convolutional Neural Network, Plant disease recognition Cucumber | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 47 تعداد دریافت فایل اصل مقاله: 48 |
||