استفاده از معماری yolo برای شناسایی بیماری‌های برگ درخت عناب

عناب یکی از محصولات کلیدی در مناطق گرم و خشک است. به‌طوری‌که درخت عناب توانسته خود را با کم‌آبی سازگار و نقش مهمی در حفظ پوشش گیاهی و چرخه اقتصادی ایفا کند. ازاین‌رو شناسایی به‌موقع بیماری‌ها در برگ درختان عناب می‌تواند در حفظ درخت و بهبود بهره‌برداری محصول عناب موثر باشد؛ برای این منظور در این پژوهش تعداد 841 تصویر برگ سالم، سِنَک و پارانشیم درخت عناب از مجموعه داده birjand native plant leaves (bnpl) برای آموزش معماری هایyolo v11s و yolo v8s انتخاب شده‌اند. به‌طوری‌که پس از انجام آموزش، تصاویر جدیدی در اختیار مدل‌های خروجی قرار گرفته و عملکرد شناسایی بیماری ارزیابی می‌شود. نتایج نشان می‌دهند که مدل yolo v11s در زمینه شناسایی بیماری‌های مختلف روی برگ بهتر عمل کرده و میزان precision، recall و map به ترتیب برابر 96%، 85.7% و 92.8% به دست آمده است.

leveraging yolo architecture to jujube tree leaf diseases identification

jujube is one of the key crops in arid and semi-arid regions. the jujube tree has adapted to water scarcity and plays a vital ecological role in sustaining vegetation cover and contributing to the regional economy. therefore, the timely detection of diseases in jujube leaves can contribute to the preservation of jujube trees and improve the crop. for this purpose, in this study, a total of 841 images of healthy, ziziphus tingid-infested, and parenchyma-eating butterfly-infested jujube leaves from the birjand native plant leaves (bnpl) dataset were selected to train yolov11s and yolov8s architectures. after training, new images were provided to the trained models, and their performance in detecting leaf diseases was evaluated. the results show that yolov11s outperformed in identifying various leaf diseases, achieving precision, recall, and map values of 96%, 85.7%, and 92.8%, respectively.