شمارش خودکار حشرات کامل کرم سیب .cydia pomonella l در تله‌ فرمونی با استفاده از یادگیری عمیق

نظارت بر حشرات آفت یک امر حیاتی در مدیریت آفات بر پایه‌ی سیستم‌‌های فرمون است. با توجه به اینکه سیب یکی از مهم‌ترین محصولات باغبانی کشور است، آگاهی از جمعیت آفات موجود در باغ‌های سیب از مهم‌تر‌‌ین اقدامات بحث مدیریت این محصول می‌باشد. بدون شناخت گونه‌های حشرات و انبوهی آنها نمی‌توان تصمیم صحیحی درباره مدیریت آفات اتخاذ کرد. از طرف دیگر، شمارش این حشرات، از روی تصاویر‌ی‌ که از تله‌های فرمونی بدست می آید به صورت دستی انجام می‌شود و این کار خیلی کند، گران و زمان‌بر است و نیازمند وجود متخصص خبره می‌باشد. در این تحقیق، روشی خودکار برای شمارش حشرات کامل کرم سیب ارائه خواهد شد. از آنجایی که در سال‌های اخیر، استفاده از شبکه‌های عصبی کانولوشن (cnn) در زمینه بینایی ماشین و پردازش تصویر، بالاترین دقت‌ها را در حل مسائل مختلف داشته است، روش پیشنهادی این پژوهش نیز، مبتنی بر شبکه‌های عصبی کانولوشن خواهد بود. شبکه‌های عصبی کانولوشن، یکی از محبوب‌ترین تکنیک‌های یادگیر‌ی عمیق در بحث بینایی ماشین هستند. این تکنیک، با بهره‌گیر‌ی از یادگیری سلسله مراتبی، می‌تواند به صورت خودکار، ویژگی‌های موجود در تصویر را استخراج کند. با استفاده از روش افزایش داده‌ها، 3403 تصویر از کرم سیب بدست آمد. از طریق الگوریتم yolov5s به مقدار map=93/20، رسیدیم. نتیجه حاکی از دقت بسیار بالای سیستم طراحی شده در حشرات کامل این آفت بود.

automatic counting of codling moth, cydia pomonella l. in pheromone trap using deep learning

pest control is a vital part of pheromone-based pest management. considering that, apple is one of the most important horticultural products in the country, awareness of the pest population in apple orchards is one of the most important proceedings in the management of this product. because without identification of insect species and their masses, it is impossible to make the right decision about pest management. on the other hand, the counting of these insects is done manually from images obtained from pheromone traps, and this is very slow, expensive and time-consuming, and requires the presence of an expert. in this study, an automated method for counting cydia pomonella will be presented. since in recent years, the use of convolutional neural networks (cnn) in the field of machine vision and image processing has had the highest accuracy in solving various problems, the proposed method of this research will be based on convolutional neural networks. convolutional neural networks are one of the most popular deep learning techniques in the discussion of machine vision. this technique, using hierarchical learning, can automatically extract the features in the image. we obtained 3403 images of cydia pomonella using the data augmentation method. and through the yolov5s algorithm we reached the 93/20 map value. the result showed a very high accuracy of the system designed in adult insects of this pest.