mobilenetv2-atrous: یک مدل سبک‌وزن برای پایش و شناسایی هوشمند بیماری برگ گیاهان با قابلیت استقرار بر روی رباتهای متحرک کشاورزی

تشخیص خودکار بیماری‌های برگ گیاهان نقش مهمی در افزایش بهره‌وری و کاهش ضایعات در کشاورزی هوشمند دارد. روش‌های سنتی مبتنی بر بازدید چشمی زمان‌بر، پرهزینه و مستعد خطا هستند و مدل‌های یادگیری عمیق سنگین، با وجود دقت بالا، برای استقرار روی سامانه‌های رباتیک و دستگاه‌های لبه‌ای با منابع محدود مناسب نمی‌باشند. علاوه بر این، داده‌های آزمایشگاهی اغلب با شرایط واقعی باغ همخوانی ندارند و قابلیت تعمیم مدل را کاهش می‌دهند. در این پژوهش، یک چارچوب سبک‌وزن و دقیق مبتنی برmobilenetv2-atrous و مجموعه داده چنددامنه‌ای al9ee ارائه شد. با بهره‌گیری از تکنیک‌های پیشرفته افزونه‌دهی داده شامل randaugment، cutout، mixup وcutmix، توان تعمیم‌پذیری مدل بهبود یافت و بیش‌برازش کاهش یافت. نوآوری اصلی در جایگزینی کانولوشن‌های depthwise با atrous depthwise convolution است که میدان دید شبکه را بدون افزایش پارامترها گسترش می‌دهد و امکان شناسایی هم‌زمان الگوهای موضعی و زمینه‌ای بیماری‌ها را فراهم می‌کند. مدل آموزش‌دیده با استفاده از mixed precision training وadamw، به دقت اعتبارسنجی 98٪ دست یافت و پس از کوانتیزاسیون int8، حجم مدل حدود 75٪ کاهش یافت (از 14 مگابایت به 3.5 مگابایت) و قابلیت استقرار روی پردازنده‌های لبه‌ای و ربات‌های زمینی فراهم شد. نتایج ماتریس درهم‌ریختگی و منحنی‌های roc نشان‌دهنده عملکرد متعادل و قابل اعتماد مدل در تشخیص 9 کلاس بیماری و برگ سالم است. این چارچوب، ترکیبی از دقت بالا، سبک‌وزنی و قابلیت استقرار عملی را ارائه می‌دهد و گامی موثر در توسعه سامانه‌های رباتیک پایش بلادرنگ بیماری‌های گیاهی به شمار می‌رود.

obilenetv2-atrous: a lightweight model for intelligent monitoring and detection of plant leaf diseases with deployability on mobile agricultural robots

**automatic detection of apple leaf diseases** plays a crucial role in enhancing productivity and reducing waste in smart agriculture. traditional methods based on visual inspection are time-consuming, costly, and prone to errors. furthermore, heavy deep learning models, despite their high accuracy, are unsuitable for deployment on robotic systems and edge devices with limited resources. additionally, laboratory datasets often fail to represent real orchard conditions, reducing the model s generalizability. in this study, a lightweight and accurate framework based on **mobilenetv2-atrous** and the multi-domain **al9ee dataset** is presented. by leveraging advanced data augmentation techniques including **randaugment**, **cutout**, **mixup**, and **cutmix**, the model s generalization capability was improved, and overfitting was reduced. the key innovation lies in replacing standard depthwise convolutions with **atrous depthwise convolutions**, which expand the network s receptive field without increasing parameters, enabling the simultaneous identification of local and contextual patterns of diseases. the model, trained using **mixed precision training** and the **adamw** optimizer, achieved a validation accuracy of **98%**. after **int8 quantization**, the model size was reduced by approximately **75% (from 14 mb to 3.5 mb)**, making it deployable on edge processors and ground robots. the confusion matrix results and **roc curves** demonstrate the model s balanced and reliable performance in detecting nine disease classes and healthy leaves. this framework offers a combination of high accuracy, lightweight architecture, and practical deployability, representing an effective step toward the development of **real-time robotic monitoring systems** for plant diseases.