حسین باقرپور

سن گندم از مهمترین آفات گندم و جو می‌باشد و یکی از عمده‌ترین محدودیت‌های تولید گندم در آسیای مرکزی و غربی، اروپای شرقی و آفریقای شمالی است. تأثیر اقتصادی سن گندم حدود ۴۲ میلیون دلار برای کشورهای منطقه است و این فقط هزینه مواد شیمیایی مورد استفاده برای مدیریت آن است. این آفت با تغذیه از گندم و جو در مراحل مختلف رویشی موجب کاهش عملکرد (خسارت کمی) و از بین بردن خاصیت نانوایی (خسارت کیفی) می‌گردد. یکی از روش های جایگزین در تشخیص سریع سن و یا سایر ناخالصی ها در گندم ، استفاده از ماشین بینایی و پردازش تصویر است که با وجود دقت بالا، برای اجرا نیاز به پیاده سازی الگوریتم هایی دارد که وجود افراد متخصص در این زمینه را می طلبد. با پیدایش شبکه های عصبی، به دلیل نزدیک بودن عملکرد آن ها به ذهن انسان و قدرت یادگیری و طبقه بندی بالا، جایگاه ویژه ای در هوش مصنوعی پیدا کردند. هدف اصلی این پژوهش استفاده از الگوریتم شبکه عصبی کانولوشنی است که بتواند بر پایه پردازش تصویر گندم های سن زده را تشخیص دهد. در این پژوهش با استفاده از دو رویکرد یادگیری عمیق، شناسایی نمونه‌های خراب از سالم بررسی و تحلیل گردید. در رویکرد اول با استفاده از روش یادگیری انتقال و بهره‌گیری از دو مدل مشهور از پیش‌آموزش دیده شده بنام‌های VGG-19 و Inception-v3، عملیات طبقه‌بندی انجام شد و در رویکرد دوم با طراحی یک شبکه کانولوشنی پیشنهادی توانایی این شبکه در جداسازی نمونه‌ها مورد بررسی قرار گرفت. برای توسعه و ارزیابی مدل‌های یادگیری عمیق از کتابخانه تنسورفلوو (tensorflow) استفاده شد و اجرای پایتون و آموزش شبکه‌ها نیز در محیط کولب (Colab) انجام گرفت. در بررسی عملکرد مدل‌ها از شاخص‌های ارزیابی مهم مانند فراخوانی(recall)، صحت، دقت و شاخص f1-score استفاده گردید. نتایج پژوهش نشان داد که هر دو روش یادگیری انتقال و مدل پیشنهادی قابلیت خوبی در طبقه‌بندی دانه های سالم و سن زده دارند. در مقایسه دو روش یادگیری انتقال، شبکه Inception-v3 توانست نتایج بهتری را در مقایسه با شبکه VGG-19 ارایه دهد. در شبکه Inception-v3 دقت 3/95 درصد بدست آمد در حالیکه در مدل VGG-19 دقت6/90 درصد حاصل شد. الگوریتم پیشنهادی در مقایسه با شبکه های حجیم از پیش آموزش دیده شده و تنها با استفاده ازپنج لایه کانولوشنی توانست با دقت 4/98 درصد دو کلاس سالم و سن زده را از هم تفکیک کند. نتایج نهایی نشان داد که شبکه پیشنهادی قابلیت خوبی در طبقه‌بندی دو کلاس داشته و می‌تواند جایگزین مناسبی برای طبقه‌بندی محصول باشد. نتایج کلی تحقیق نشان داد که علی‌رغم نزدیکی بسیار زیاد دو کلاس سن زده و سالم در دانه های گندم، استفاده از شبکه کانولوشنی پیشنهادی به دلیل بکارگیری روش ویژه در استخراج ویژگی‌ها و همچنین تعداد پارامترهای کمتر در مقایسه با روش شبکه عصبی مصنوعی متداول، توان خیلی بالایی در طبقه بندی این دو نمونه از خود نشان داد و این الگوریتم پیشنهادی می‌تواند جایگزین مناسبی برای ماشین‌های تشخیص نمونه‌های سن زده در نظر گرفته شود.