تشخیص آفات متداول مرکبات در شمال ایران با استفاده از شبکه عصبی مصنوعی

آفات و بیماری های گیاهی یک تهدید عمده برای امنیت غذایی بشر بشمار می آیند. در مزارع وسیع، تشخیص دقیق و به هنگام توسط انسان به دلیل زمان بر بودن و احتمال تشخیص اشتباه امکان پذیر نمی باشد. از اینرو برای تشخیص فوری، اتوماتیک ، مناسب و دقیق آفات کشاورزی، استفاده از پردازش تصویر و هوش مصنوعی از جمله یادگیری عمیق می تواند بسیار مفید باشد. در این تحقیق، مدل های شبکه عصبی پیچشی برای تشخیص و شناسایی سه نوع آفت مرکبات متداول در شمال ایران نظیر پروانه مینوز، فوماژین (قارچ دوده مرکبات) و بالشتک با استفاده از تصاویر برگ های آلوده، از طریق روش های یادگیری عمیق توسعه داده شده است. برای این منظورمعماری های رزنت 50 و وی جی جی 16 به عنوان شبکه عصبی پیچشی معروف با استفاده از روش انتقال یادگیری بر روی 1774 تصویر برگ آلوده مرکبات که در شرایط طبیعی و مزرعه ای فراهم گردید، آموزش داده شد. در مرحله آموزش، از روش افزونه سازی داده ها برای افزایش تعداد نمونه های آموزشی و بهبود تعمیم پذیری طبقه بند ها استفاده گردید. برای تجزیه و تحلیل تجربی از اعتبارسنجی ضربدری به منظور اندازه گیری دقت شبکه عصبی پیچشی استفاده شد. در این استراتژی، همه تصاویر بدون هیچگونه همپوشانی مجموعه داده های آموزش و امتحان، آزمایش شدند. بر اساس نتایج به دست آمده دقت مدل های رزنت 50 و وی جی جی 16 به ترتیب 96.05 و 89.34 درصد ارزیابی گردید.از اینرو مدل رزنت 50، می تواند روش فوق را به یک سیستم مشاوره یا هشداردهنده اولیه بسیار مناسب تبدیل کند.

Detection of common citrus pests in northern Iran using an artificial neural network

Plant pests and diseases are categorized as one major group threatening to food security. In large farms, accurate and timely human diagnosis is not possible due to time consuming and possible misdiagnosis. Therefore, for immediate, automatic, appropriate and accurate detection of agricultural pests, the use of image processing and artificial intelligence, including deep learning can be very useful. In this study, convolutional neural network models have been developed to identify three common citrus pests in northern Iran such as citrus leafminer, sooty mold and pulvinaria using images of infected leaves, through deep learning methods. For this purpose, Resnet50 and VGG16 architectures are trained as wellknown convolutional neural networks, applying the transfer learning method on 1774 images of infected citrus leaves, accumulated from natural and field conditions. In the training phase, data augmentation is used to increase the number of training samples, and to improve the generalizability of the classifiers. For experimental analysis, cross validation strategy is used to evaluate the accuracy of the convolutional neural network. In this strategy, all images are tested without any overlap between training and test sets. Based on the results, the accuracies of Resnet 50 and VGG 16 models are evaluated as 96.05 and 89.34%, respectively. Hence, the Resnet 50 model can convert the above method into a very suitable early warning or consulting system.