آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,477 |
| تعداد مقالات | 18,019 |
| تعداد مشاهده مقاله | 58,387,295 |
| تعداد دریافت فایل اصل مقاله | 19,805,911 |
رویکردی متفاوت در تشخیص علایم خسارت تریپس روی برگ خیار به کمک بینایی ماشین مبتنی بر هوش مصنوعی | ||
| نشریه مکانیزاسیون کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 06 اسفند 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jam.2026.68067.1332 | ||
| نویسندگان | ||
| حسین اختری1؛ حسین نوید* 2؛ رقیه کریمزاده3؛ نیر اطمینانفر1 | ||
| 1گروه مهندسی بیوسیستم - دانشکده کشاورزی- دانشگاه تبریز - تبریز - ایران | ||
| 2عضو هیات علمی/دانشگاه تبریز | ||
| 3گروه گیاهپزشکی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| خیار از جمله محصولات پرطرفداری است که نقش مهمی در سبد غذایی مردم دارد. به همین دلیل، تولید آن باید همگام با میزان تقاضای جامعه مدیریت شود. با این حال، فرایند تولید خیار با چالشهای متعددی همراه است. یکی از چالشهای مطرح در این حوزه، خسارات ناشی از انواع آفات و بیماریها میباشد. شناسایی سریع و دقیق آفات و بیماریها نقش مهمی در مدیریت بهینه و افزایش عملکرد محصول خواهد داشت. استفاده از فناوریهای پیشرفته بینایی ماشین و هوش مصنوعی میتواند جایگزین مؤثری برای تشخیص بیماریها توسط نیروی انسانی باشد. در این پژوهش، برخلاف بسیاری از تحقیقات پیشین که بر طبقهبندی بیماریها بر اساس تصاویر ثابت متمرکز بودند، رویکردی نوین مبتنی بر پردازش ویدئو بر اساس شبکههای عصبی کانولوشنی (CNNs) مورد بررسی قرار گرفته است. مجموعه تصاویر برگ خیار شامل برگهای سالم و برگهایی با علائم ناشی از آلودگی به تریپس، به عنوان یکی از آفات رایج این گیاه، بود. پس از اعمال چند تکنیک پیشپردازش بر روی تصاویر، از دو مدل مبتنی بر شبکه عصبی کانولوشنیMovieNet و SlowFast برای آموزش و ارزیابی طبقهبندی برگ سالم و برگ آلوده استفاده گردید. پیشپردازش شامل تکنیکهای داده افزایی و نرمالسازی و چند فرآیند جهت تغذیه به مدلهای مذکور بود. علاوه براین، تقسیم بندی دادهها به زیرمجموعههای آموزش، اعتبارسنجی و آزمایش از دیگر عملیات مربوط به پیشپردازش دادهها بود. تنظیم فراپارامترها و بهینهسازی توابع مختلف از جمله کارهایی بود که در حین آموزش مدلها مورد مورد بررسی قرار گرفت. تحلیل نتایج در مراحل آموزش و ارزیابی نشان داد که مدل SlowFast عملکرد بسیار دقیقی در شناسایی و طبقهبندی علایم خسارت تریپس از برگهای سالم دارد. این مدل با دستیابی به دقت 27/99 درصد روی دادههای آزمایشی، توانست بهترین عملکرد را ارائه و در مقایسه با مدل MovieNet نتایج برتری از خود نشان دهد. | ||
| کلیدواژهها | ||
| تریپس خیار؛ یادگیری عمیق؛ بینایی ماشین؛ کشاورزی هوشمند؛ هوش مصنوعی در کشاورزی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 25 |
||