تشخیص آفت حلزون در باغ مرکبات تحت شرایط نورپردازی متفاوت با استفاده از شبکه‌های عصبی عمیق | ||
| مجله علوم و صنایع غذایی ایران | ||
| Article 11, Volume 18, Issue 115, 1400, Pages 157-169 PDF (1.08 M) | ||
| DOI: 10.52547/fsct.18.115.12 | ||
| Authors | ||
| رمضان هادی پور رکنی1; عزت اله عسکری اصلی ارده* 2; سجاد سبزی3; ایمان اسمعیلی پایین افراکتی4 | ||
| 1دانشجوی دکتری، گروه مهندسی مکانیک بیوسیستم، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 2دانشیار، گروه مهندسی مکانیک بیوسیستم، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 3پژوهشگر پسادکتری، گروه مهندسی مکانیک بیوسیستم، دانشگاه محقق اردبیلی، اردبیل، ایران. | ||
| 4استادیار، گروه مهندسی برق، دانشگاه مازندران، بابلسر، ایران | ||
| Abstract | ||
| دفع آفات و امراض جزء مهمترین عملیات در مرحله داشت مرکبات محسوب می‌شود. امروزه تحقیقات زیادی در زمینه تشخیص آفات و بیماری‌های گیاهی با به‌کارگیری روش‌های ماشین بینایی انجام شده است. یکی از مشکلاتی که باعث کاهش دقت ماشین برای تشخیص آفات در شرایط مزرعه‌ای می‌شود، وجود عوامل نامساعد از قبیل سایه و تغییرات شدت نور در ساعات مختلف روز می‌باشد. در این پژوهش به‌منظور یافتن شدت نور مناسب در ساعات مختلف روز از نورپردازی به‌وسیله یک لامپ در محل تصویربرداری استفاده شده است. برای تشخیص درختان آلوده به آفت حلزون از روش یادگیری عمیق با سه نوع الگوریتم بهینه‌ساز نسبتا قوی یعنی RMSProp، Adam و SGDm استفاده شد. برای بررسی و آزمون الگوریتم‌های مورد استفاده، تعداد 8000 تصویر در 9 شرایط مزرعه‌ای و یک حالت آزمایشگاهی مورد بررسی قرار گرفت. در شرایط مزرعه‌ای، کمترین مقدار دقت تشخیص الگوریتم‌ها با 32/64 درصد مربوط به تصویربرداری در روز ابری با شدت نور 350 الی 700 لوکس و با استفاده ازالگوریتم RMSPropحاصل شد، ولی با ایجاد شدت نور کنترل شده به‌وسیله لامپ (تقربیا 9000 لوکس)، دقت تشخیص با استفاده از الگوریتم SGDm تا 25/95 درصد بهبود یافت. در شرایط آزمایشگاهی که تصاویر در محیطی کنترل شده با شدت نور ثابت تهیه شده بود، استفاده از الگوریتم SGDm، دقت تشخیص را تا مقدار 73/98 درصد ارتقاء داد. | ||
| Keywords | ||
| کلیدواژه: مرکبات; آفت حلزون; تشخیص هوشمند; پردازش تصویر; یادگیری عمیق | ||
| References | ||
|
| ||
|
Statistics Article View: 126 PDF Download: 75 |
||
| Number of Journals | 45 |
| Number of Issues | 2,154 |
| Number of Articles | 24,478 |
| Article View | 10,476,227 |
| PDF Download | 5,938,346 |