آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,416 |
| تعداد مقالات | 17,490 |
| تعداد مشاهده مقاله | 56,484,160 |
| تعداد دریافت فایل اصل مقاله | 18,742,322 |
کاربرد روش بینایی ماشین در تشخیص بیماری‌های توت‌فرنگی با YOLO 11 | ||
| نشریه مکانیزاسیون کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 14 مهر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jam.2025.67883.1328 | ||
| نویسندگان | ||
| نشمیل فرهادی1؛ رحمان فرخی تیمورلو* 2 | ||
| 1گروه مهندسی مکانیک بیوسیستم - دانشکده کشاورزی - دانشگاه ارومیه - ارومیه - ایران | ||
| 2گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران | ||
| چکیده | ||
| تشخیص به‌موقع بیماری‌های گیاهی در محصولات کشاورزی، نقش حیاتی در افزایش بهره‌وری و کاهش خسارات اقتصادی دارد. روش‌های سنتی تشخیص بیماری‌ها، که مبتنی بر مشاهده چشمی و تجربه متخصصان هستند، اغلب زمان‌بر، پرهزینه و مستعد خطا می‌باشند. با پیشرفت فناوری‌های هوش مصنوعی و یادگیری عمیق، استفاده از مدل‌های مبتنی بر ماشین بینایی به عنوان راه‌حلی کارآمد برای تشخیص خودکار بیماری‌های گیاهی مطرح شده است. این پژوهش با بهره‌گیری از الگوریتم YOLO11L به تشخیص هشت کلاس بیماری در گیاه توت‌فرنگی، شامل لکه‌برگی زاویه‌دار، پوسیدگی آنتراکنوز، بلایت شکوفه، کپک خاکستری، لکه برگی، سفیدک پودری میوه و برگ، و همچنین نمونه‌های سالم پرداخته است. مجموعه داده مورد استفاده شامل 2902 تصویر از برگ‌ها و میوه‌های توت‌فرنگی بود که از پایگاه داده Roboflow جمع‌آوری شد و به سه بخش آموزشی (70 درصد)، اعتبارسنجی (20 درصد) و آزمون (10 درصد) تقسیم شد. مدل با استفاده از وزن‌های از پیش آموزش‌دیده و بهینه‌سازی‌های مختلف، از جمله افزایش داده‌ها و تنظیم هایپرپارامترها با الگوریتم Optuna، آموزش داده شد. نتایج نشان داد که مدل در تشخیص برخی بیماری‌ها مانند بلایت شکوفه با دقت 995/0 (mAP@50) و بازخوانی کامل (000/1) عملکردی قابل قبول دارد، در حالی که برای بیماری‌هایی مانند سفیدک پودری میوه (827/0 mAP@50) و کپک خاکستری (891/0 mAP@50) به دلیل شباهت ظاهری و کمبود داده‌های آموزشی، چالش‌هایی وجود دارد. این مطالعه نشان می‌دهد که مدل‌های مبتنی بر YOLO می‌توانند به عنوان ابزاری مؤثر در کشاورزی هوشمند برای تشخیص سریع و دقیق بیماری‌های گیاهی مورد استفاده قرار گیرند. با این حال، بهبود عملکرد در کلاس‌های کم‌نمونه و کاهش خطاهای تشخیصی از طریق افزایش داده‌های آموزشی و بهینه‌سازی معماری مدل، از جمله پیشنهادات این پژوهش برای تحقیقات آتی است. کاربرد این فناوری می‌تواند در ترکیب با پهپادها و حسگرهای تصویری، مدیریت بهینه مزارع و کاهش مصرف غیرضروری آفت‌کش‌ها را به همراه داشته باشد. | ||
| کلیدواژه‌ها | ||
| بهینه سازی؛ پردازش تصویر؛ تشخیص اشیاء؛ کشاورزی هوشمند؛ یادگیری عمیق | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 88 |
||