عنوان	توسعه و بهینه‌سازی الگوریتم‌ ویژه یادگیری عمیق در تشخیص بیماری‌های مختلف برگی درخت بِه
نوع پژوهش	مقاله چاپ‌شده در مجلات علمی
کلیدواژه‌ها	بیماری آتشک، شبکه عصبی پیچشی ، سفیدک پودری، ماتریس اغتشاش، زخم برگ
چکیده	بیماری درخت بِه یکی از نگرانی‌های عمده باغداران می‌باشد و شناسایی آنها در پایش درختان ضروری است چرا که زیانهای اقتصادی قابل توجهی وارد می‌کند. از این رو، تشخیص به‌موقع و موثر بیماریهای برگی درختان بِه، نقش مهمی در جلوگیری از این ضرر اقتصادی دارد. بیشتر علائم بیماری این درخت در برگ ظاهر می‌شود و تشخیص آنها نیاز به متخصصان خبره داشته و از طرفی زمانبر و هزینه آزمایشگاهی بالایی دارد. اصلی‌ترین بیماری‌های این محصول شامل آتشک، زخم برگ و سفیدک پودری است. با پیشرفت الگوریتم‌های هوش مصنوعی، شبکه‌های عصبی مختلفی برای طبقه‎بندی معرفی شده‌اند که از مهمترین آنها می‌توان به شبکه‌های عصبی پیچشی (کانولوشنی) اشاره کرد. هدف اصلی این مطالعه بهینه‌سازی و تنظیم پارامترهای اصلی این شبکه‌ها به منظور افزایش دقت تشخیص بیماری‌های برگی درخت بِه می‌باشد. 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 بهینه‌شده پیشنهادی برای طبقه‌بندی بیماریها استفاده شد. نتایج مدل‌ها نشان داد که حذف تصادفی باعث اصلاح دقت بعضی مدل‌ها 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 دراپ‌اوت 5/0 بیشترین عملکرد را ارایه داد.
پژوهشگران	امین نادری بنی (نفر اول)، حسین باقرپور (نفر دوم)، جعفر امیری پریان (نفر سوم)