بررسی مقایسهای دو معماری ژرف و کمعمق شبکههای عصبی پیچشی در طبقهبندی بیماریهای برگ خیار | ||
| مدل سازی در مهندسی | ||
| دوره 23، شماره 83، زمستان 1404، صفحه 291-301 اصل مقاله (613.62 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2025.32983.2609 | ||
| نویسندگان | ||
| حسین اختری؛ حسین نوید* ؛ علی غفارنژاد؛ نیر اطمینان فر | ||
| دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| 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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 233 تعداد دریافت فایل اصل مقاله: 146 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 718 |
| تعداد مقالات | 10,319 |
| تعداد مشاهده مقاله | 72,328,787 |
| تعداد دریافت فایل اصل مقاله | 64,057,305 |