پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 687 |
| تعداد مقالات | 9,985 |
| تعداد مشاهده مقاله | 70,959,208 |
| تعداد دریافت فایل اصل مقاله | 62,423,392 |
بررسی مقایسهای دو معماری ژرف و کمعمق شبکههای عصبی پیچشی در طبقهبندی بیماریهای برگ خیار | ||
| مدل سازی در مهندسی | ||
| دوره 23، شماره 83، دی 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 | ||
| 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 Etminanfar | ||
| Biosystem Engineering Department, Faculty of Agriculture, University of Tabriz, Tabriz, Iran | ||
| 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 | ||
|
[1] Gao, Xue. "The Application of Computer Vision Technology in the Field of Agricultural Automation." International Journal of Advance in Applied Science Research 4, no. 1 (2025): 1-5. [2] Zare Nazari, Marzieh, Mohsen Sardari Zarchi, Sima Emadi, and hadi Pourmohammadi." Deep learning framework to extract anatomy for mosquito image classification." Journal of Modeling in Engineering 20, no.70 (2022): 107-120. (in Persian) [3] Wang, Shaohua, Dachuan Xu, Haojian Liang, Yongqing Bai, Xiao Li, Junyuan Zhou, Cheng Su, and Wenyu Wei. "Advances in deep learning applications for plant disease and pest detection: A review." Remote Sensing 17, no. 4 (2025): 698. [4] Lee, Wan-Bum, and Bong-Hyun Kim. "Machine learning innovations for precise plant disease detection: A review." Legume Research 47, no. 10 (2024): 1633-1638. [5] Liu, Jun, and Xuewei Wang. "Tomato diseases and pests detection based on improved Yolo V3 convolutional neural network." Frontiers in Plant Science 11 (2020): 898. [6] Dhingra, Gittaly, Vinay Kumar, and Hem Dutt Joshi. "Study of digital image processing techniques for leaf disease detection and classification." Multimedia Tools and Applications 77, no. 15 (2018): 19951-20000. [7] Jian, Zhang, and Zhang Wei. "Support vector machine for recognition of cucumber leaf diseases." In 2010 2nd International Conference on Advanced Computer Control, vol. 5, pp. 264-266. IEEE, 2010. [8] Hosseini, Hadi, Zamani D. Mohammad, and Abbas Arbab. "A recognition system to detect Powdery Mildew and Anthracnose fungal disease of cucumber leaf using image processing and artificial neural networks technique." (2018): 15-28. [9] Zhao, Xia, Limin Wang, Yufei Zhang, Xuming Han, Muhammet Deveci, and Milan Parmar. "A review of convolutional neural networks in computer vision." Artificial Intelligence Review 57, no. 4 (2024): 99. [10] Simonyan, Karen, and Andrew Zisserman. "Very deep convolutional networks for large-scale image recognition." arXiv Preprint arXiv:1409.1556 (2014). [11] Ghosal, Shreya, and Kamal Sarkar. "Rice leaf diseases classification using CNN with transfer learning." In 2020 IEEE Calcutta Conference (Calcon), pp. 230-236. IEEE, 2020. [12] Alom, Md Zahangir, Tarek M. Taha, Chris Yakopcic, Stefan Westberg, Paheding Sidike, Mst Shamima Nasrin, Mahmudul Hasan, Brian C. Van Essen, Abdul AS Awwal, and Vijayan K. Asari. "A state-of-the-art survey on deep learning theory and architectures." Electronics 8, no. 3 (2019): 292. [13] Reitermanova, Zuzana. "Data splitting." In WDS, vol. 10, pp. 31-36. Prague: Matfyzpress, 2010. [14] Islam, Md Monirul, Md Belal Hossain, Md Nasim Akhtar, Mohammad Ali Moni, and Khondokar Fida Hasan. "CNN based on transfer learning models using data augmentation and transformation for detection of concrete crack." Algorithms 15, no. 8 (2022): 287. [15] Tang, Zhiqiang, Yunhe Gao, Leonid Karlinsky, Prasanna Sattigeri, Rogerio Feris, and Dimitris Metaxas. "OnlineAugment: Online data augmentation with less domain knowledge." In European conference on computer vision, pp. 313-329. Cham: Springer International Publishing, 2020. [16] He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. "Deep residual learning for image recognition." In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 770-778. 2016. [17] Howard, Andrew G., Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, and Hartwig Adam. "Mobilenets: Efficient convolutional neural networks for mobile vision applications." arXiv Preprint arXiv:1704.04861 (2017). [18] Howard, Andrew, Mark Sandler, Grace Chu, Liang-Chieh Chen, Bo Chen, Mingxing Tan, Weijun Wang et al. "Searching for mobilenetv3." In Proceedings of the IEEE/CVF International Conference on Computer Vision, pp. 1314-1324. 2019. [19] Qian, Siying, Chenran Ning, and Yuepeng Hu. "MobileNetV3 for image classification." In 2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE), pp. 490-497. IEEE, 2021. [20] Deng, Jia, Wei Dong, Richard Socher, Li-Jia Li, Kai Li, and Li Fei-Fei. "Imagenet: A large-scale hierarchical image database." In 2009 IEEE Conference on Computer Vision and Pattern Recognition, pp. 248-255. Ieee, 2009. [21] Oquab, Maxime, Leon Bottou, Ivan Laptev, and Josef Sivic. "Learning and transferring mid-level image representations using convolutional neural networks." In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1717-1724. 2014. | ||
|
آمار تعداد مشاهده مقاله: 123 تعداد دریافت فایل اصل مقاله: 53 |
||