آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,429 |
| تعداد مقالات | 17,589 |
| تعداد مشاهده مقاله | 57,172,110 |
| تعداد دریافت فایل اصل مقاله | 19,013,557 |
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 اصل مقاله (1.68 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jam.2025.67883.1328 | ||
| نویسندگان | ||
| نشمیل فرهادی؛ رحمان فرخی تیمورلو* | ||
| گروه 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 ماشین، استفاده از مدل‌های مبتنی بر ماشین بینایی به عنوان راه‌حلی کارآمد برای تشخیص خودکار بیماری‌های گیاهی مطرح شده است. این پژوهش با بهره‌گیری از مدل YOLO11L، به تشخیص هفت دسته متفاوت از نوع و وضعیت بیماری در گیاه توت‌فرنگی، شامل لکه برگی زاویه‌دار، پوسیدگی آنتراکنوز میوه، سوختگی شکوفه، کپک خاکستری، لکه برگی، سفیدک پودری میوه و برگ، و همچنین نمونه‌های سالم و بدون بیماری پرداخته است. مجموعه داده مورد استفاده شامل 2902 تصویر از برگ‌ها و میوه‌های توت‌فرنگی بود که از پایگاه داده Roboflow جمع‌آوری و به سه بخش با نسبت‌های مختلف از کل داده‌ها شامل آموزش (70 درصد)، اعتبارسنجی (20 درصد) و آزمون (10 درصد) تقسیم شد. آموزش مدل با استفاده از وزن‌های از پیش‌آموزش‌یافته و انواع بهینه‌سازی‌ها، از جمله افزایش داده‌ها و تنظیم هایپرپارامترها با روش Optuna، صورت پدیرفت. نتایج بیانگر آن بودند که مدل نهایی در تشخیص برخی بیماری‌ها مانند سوختگی شکوفه با میانگین متوسط دقت در آستانه پنجاه درصد 995/0 و بازخوانی کامل (000/1) دارای عملکردی قابل قبول است. این در حالی است که در بیماری‌هایی مانند سفیدک پودری میوه (827/0) و کپک خاکستری (891/0)، به دلیل وجود شباهت ظاهری و کمبود داده‌های آموزشی، چالش‌هایی وجود دارد. این مطالعه نشان می‌دهد که مدل‌های مبتنی بر YOLO می‌توانند به عنوان ابزاری کارآمد در کشاورزی هوشمند برای تشخیص سریع و دقیق بیماری‌های گیاهی مورد استفاده قرار گیرند. با این حال، بهبود عملکرد در دسته‌‌های 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: 134 تعداد دریافت فایل اصل مقاله: 40 |
||