توسعه و بهینه سازی الگوریتم ویژه یادگیری عمیق در تشخیص بیماری های مختلف برگی درخت به

بیماری های درخت به یکی از نگرانی های عمده باغداران می باشد و شناسایی آن ها در پایش درختان ضروری است چرا که زیآن های اقتصادی قابل توجهی وارد می کند. از این رو، تشخیص به موقع و موثر بیماری های برگی درختان به، نقش مهمی در جلوگیری از این ضرر اقتصادی دارد. بیشتر علائم بیماری این درخت در برگ ظاهر می شود و تشخیص آن ها نیاز به متخصصان خبره داشته و از طرفی زمان بر بوده و هزینه آزمایشگاهی بالایی دارد. اصلی ترین بیماری های این محصول شامل آتشک، زخم برگ و سفیدک پودری است. با پیشرفت الگوریتم های هوش مصنوعی، شبکه های عصبی مختلفی برای طبقه‎بندی معرفی شده اند که از مهم ترین آن ها می توان به شبکه های عصبی پیچشی (کانولوشنی) اشاره کرد. هدف اصلی این مطالعه بهینه سازی و تنظیم پارامترهای اصلی این شبکه ها به منظور افزایش دقت تشخیص بیماری های برگی درخت به می باشد. در این مطالعه در رویکرد اول با استفاده از یادگیری انتقالی، دو الگوریتم مهم Inception-ResNet-v2 و ResNet-101 و در رویکرد دوم یک الگوریتم بهینه شده پیشنهادی برای طبقه بندی بیماری ها استفاده شد. نتایج مدل ها نشان داد که حذف تصادفی باعث اصلاح دقت بعضی مدل ها گردید و بیشترین عملکرد با 64 نورون در لایه مخفی حاصل گردید. مدل پیشنهادی دقت بالاتری نسبت به روش انتقالی داشت. با بررسی نتایج کلی، مدل پبشنهادی با چهار لایه پیچشی در بلوک کانولوشنی، یک لایه مخفی در بلوک شبکه عصبی و ضریب دراپ اوت 0.5 بیشترین عملکرد را ارایه داد.