مقایسه عملکرد دو معماری ژرف و کم عمق شبکه های عصبی کانولوشنی جهت تشخیص و طبقه بندی بیماری روی برگ محصول خیار

خیار یکی از پر مصرف ترین محصول در بین عموم مردم می باشد. تولید این محصول متناسب با نیاز مردم از اهمیت بالایی برخوردار است در حالیکه عملکرد محصول متاثر از عوامل مختلفی نظیر آفات و حشرات و بیماری های گوناگون می باشد. شناسایی و تشخیص بیماری در مراحل اولیه آن می تواند باعث کاهش زیان های اقتصادی و افزایش کیفیت تولید گردد. شناسایی بیماری محصول به کمک نیروی انسانی، فرآیندی بسیار زمانبر و پرهزینه است. با توجه به اینکه کشاورزی یک حوزه مهم برای پیاده سازی تکنیک های رایج مبتنی بر بینایی ماشین است لذا می توان برای شناسایی و تشخیص بیماری محصولات مختلف از این تکنیک ها بهره گرفت. یادگیری عمیق ۱ یکی از انواع مختلف تکنیک های رایج در بینایی ماشین۲ است که کمک های قابل توجهی به طبقه بندی۳ و شناسایی ۴ عملیات به کار رفته در حوزه کشاورزی دقیق کرده است. در این تحقیق با هدف شناسایی و طبقه بندی محصول سالم و ناسالم خیار، از شبکه های عصبی کانولوشنی مبتنی بر یادگیری عمیق استفاده شد. دو معماری معروف رزنت ۱۰۱ لایه و موبایل نت نسخه ۳ جهت آموزش برگ ناسالم و سالم محصول خیار اتخاذ شد. داده های ارزیابی در دو نوع آماده و حاصل شده از گلخانه دانشگاه تبریز بود. معماری موبایل نت نسخه۳ با وجود کم عمق بودن و تعداد کم پارامترهای آموزشی نتایج قابل توجهی را از خود ارائه داد. صحت شناسایی و طبقه بندی معماری ارائه شده برابر با ۹۸/۶۴ بود. استفاده از این نوع معماری ها جهت استفاده در گوشی های هوشمند و سامانه های تعبیه شده ۵ به دلیل ساختار سبک و کمعمق بسیار مناسب خواهد بود

کلیدواژه ها:

کشاورزی دقیق ، تشخیص بیماری گیاهی ، یادگیری عمیق ، شبکه عصبی کانولوشنی