تشخیص و شمارش خودکار شب ‌پره مینوز گوجه‌ فرنگی، tuta absoluta با استفاده از تکنیک یادگیری عمیق

استفاده از فناوری های نوین برای تشخیص و اندازه‌گیری تراکم جمعیت آفات، می تواند گام مهمی برای تسهیل در اجرای برنامه‌های مدیریت تلفیقی آفات و کنترل دقیق تر و موثرتر آن‌ها باشد. در این پژوهش، از تکنیک یادگیری عمیق و شبکه عصبی کانولوشنال با معماری alexnet، جهت تشخیص و شمارش خودکار شب‌پره مینوز گوجه‌فرنگی tuta absoluta (myrick) (lepidoptera: gelechiidae)، یکی از آفات کلیدی گیاه گوجه‌فرنگی در ایران، استفاده شد. برای جمع‌آوری تصاویر حشرات بالغ t. absoluta، تعداد 15 تله دلتا در دو هکتار از مزارع گوجه‌فرنگی پردیس کشاورزی و منابع طبیعی دانشگاه رازی، نصب گردد. به‌منظور تهیه تصاویر، از دوربین عکاسی سونی مدل  dsc-wx100 با دقت موثر حسگر 18 مگاپیکسل، استفاده شد. برای ارزیابی عملکرد شبکه عصبی پیچشی با معماری alexnet از پارامترهای دقت متوسط، دقت و یادآوری استفاده و برای ارزیابی عملکرد در شمارش، از منحنی رگرسیون خطی و ضریب تبیین استفاده شد. پارامترهای دقت متوسط (0.98)، دقت (100) و یادآوری (100) نشان از عملکرد بالای شبکه عصبی کانولوشنال در تشخیص شب‌پره مینوز گوجه‌فرنگی داشت و همچنین ضریب تبیین (0.98)، بیانگر دقت بالای شبکه در شمارش این آفت بود. به‌طور کلی، نتایج نشان داد که شبکه عصبی می تواند راه حلی کاربردی برای تشخیص و شمارش دقیق این آفت روی گوجه‌فرنگی با استفاده از تصاویر گرفته ‌شده ارائه کند.

automatic detection and counting of tuta absoluta (myrick) using deep learning technique

the use of modern technologies for detecting and measuring pest population density can be an important step in facilitating the implementation of integrated pest management programs and achieving more precise and effective control. in this study, the deep learning technique and convolutional neural network with alexnet architecture were used for the automatic detection and counting of the tomato leaf miner, tuta absoluta (myrick) (lepidoptera: gelechiidae), which is one of the key pests of tomato plants in iran. to collect images of adult t. absoluta insects, 15 delta traps were installed in two hectares of tomato farms at the campus of agricultural and natural resources, razi university. the sony dsc-wx100 camera with an effective sensor resolution of 18 megapixels was used to capture the images. the performance of the convolutional neural network with the alexnet architecture was evaluated using the parameters of average accuracy, accuracy, and recall. for counting performance, the linear regression curve and coefficient of determination were used. the average accuracy (98.0), accuracy (100), and recall (100) parameters indicate the high performance of the convolutional neural network in detecting the tomato leaf miner, and the coefficient of determination (0.98) indicates the network’s high accuracy in counting this pest. overall, the results demonstrate that the neural network can provide a practical solution for the accurate detection and counting of this pest on tomato plants using captured images.