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 05/96 و 34/89 درصد ارزیابی گردید.از اینرو مدل رزنت 50، می تواند روش فوق را به یک سیستم مشاوره یا هشداردهنده اولیه بسیار مناسب تبدیل کند.