حسین باقرپور

چکیده: بیماریهای برگی 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 بوده 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 دو رویکرد برای تشخیص و طبقه‌بندی بیماری‌ها بکار برده شد. در رویکرد اول با استفاده از تصاویر تک‌تک برگ‌های برش داده شده یادگیری و دسته‌بندی انجام شد و در رویکرد دوم مستقیما برگ‌های خام بکار گرفته شد ولی تک تک عارضه های بیماری روی برگ ها برچسب زنی شد. در رویکرد اول از مدل‌های ماشین بردار پشتیبان (SVM)، kنزدیکترین همسایه و مدل شبکه عصبی کانولوشن (CNN) استفاده شد. در مدل CNN نیز از دو الگوریتم یادگیری انتقالی مهم Inception-ResNet-v2 و ResNet-101 و یک الگوریتم بهینه‌شده پیشنهادی برای طبقه‌بندی بیماریها استفاده شد. در رویکرد دوم نیز از الگوریتم YOLOv7 به عنوان الگوریتم تک مرحله ای شناسایی و تشخیص عارضه بیماری در محل استفاده شد. نتایج رویکرد اول نشان داد که مدل شبکه عصبی کانولوشنی که از تکنیک استخراج ویژگی اتوماتیک استفاده می کند، توانایی بیشتری نسبت به تکنیک استخراج ویژگی دستی دارد. به طوریکه برای مدل KNN، مدل SVM و مدل شبکه عصبی کانولوشنی پیشنهادی به ترتیب مقدار دقت برابر با 82، 86 و 91 بدست آمد و از طرفی الگوریتم پیشنهادی CNN توانایی بیشتری نسبت به الگوریتم‌های یادگیری انتقالی داشت. بهینه‌سازی مدل‌ها نشان داد که حذف تصادفی باعث اصلاح دقت بعضی مدل‌ها گردید و بیشترین عملکرد با 64 نورون در لایه مخفی حاصل گردید. 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. اما در مقابل در رویکرد دوم مدل YOLOv7 نتایج قابل توجهی ارایه داد. به طوریکه دقت کلی آن 93 درصد بدست آمد و شاخص mAP0.5 برای آن 93 درصد بدست آمد. نتایج کلی این تحقیق نشان داد که هر دو روش CNN پیشنهادی و YOLOv7 از توانایی نسبتا بالایی در تشخیص بیماری های مختلف برگی درخت بِه دارند و می توان از آنها در کارهای عملیاتی بهره برد.