این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم و صنایع غذایی ایران، جلد ۱۷، شماره ۱۰۹، صفحات ۱۴۳-۱۵۲
عنوان فارسی تشخیص آفات متداول مرکبات در شمال ایران با استفاده از شبکه عصبی مصنوعی
چکیده فارسی مقاله آفات و بیماری های گیاهی یک تهدید عمده برای امنیت غذایی بشر بشمار می­آیند. در مزارع وسیع، تشخیص دقیق و به هنگام توسط انسان به دلیل زمان بر بودن و احتمال تشخیص اشتباه امکان پذیر نمی باشد. از اینرو برای تشخیص فوری، اتوماتیک ، مناسب و دقیق آفات  کشاورزی،  استفاده از پردازش تصویر و هوش مصنوعی از جمله یادگیری عمیق  می­تواند بسیار مفید باشد. در این تحقیق، مدل‌های شبکه عصبی پیچشی برای تشخیص و شناسایی سه نوع آفت مرکبات متداول در شمال ایران نظیر پروانه مینوز، فوماژین (قارچ دوده مرکبات) و بالشتک با استفاده از تصاویر برگ‌های آلوده، از طریق روش‌های یادگیری عمیق توسعه داده شده است. برای این منظورمعماری‌های رزنت‌50 و وی‌جی‌جی‌16 به عنوان شبکه عصبی پیچشی معروف با استفاده از روش انتقال یادگیری بر روی 1774 تصویر برگ آلوده مرکبات که در شرایط طبیعی و مزرعه‌ای فراهم گردید، آموزش داده شد. در مرحله آموزش، از روش افزونه‌سازی داده‌ها برای افزایش تعداد نمونه‌های آموزشی و بهبود تعمیم‌پذیری طبقه‌بند‌ها استفاده گردید. برای تجزیه و تحلیل تجربی از اعتبارسنجی ضربدری به منظور اندازه‌گیری دقت شبکه عصبی پیچشی استفاده شد. در این استراتژی، همه تصاویر بدون هیچگونه همپوشانی مجموعه داده‌های آموزش و امتحان، آزمایش شدند. بر اساس نتایج به دست آمده دقت مدل‌های  رزنت‌50 و وی‌جی‌جی‌16 به ترتیب 05/96 و 34/89 درصد ارزیابی گردید.از اینرو مدل رزنت‌50، می تواند روش فوق را به یک سیستم مشاوره یا هشداردهنده اولیه بسیار مناسب تبدیل کند.
کلیدواژه‌های فارسی مقاله آفات مرکبات،یادگیری عمیق،رزنت50،وی جی جی 16،شبکه عصبی پیچشی
عنوان انگلیسی Detection of common citrus pests in northern Iran using an artificial neural network
چکیده انگلیسی مقاله Plant pests and diseases are categorized as one major group threatening to food security. In large farms, accurate and timely human diagnosis is not possible due to time consuming and possible misdiagnosis. Therefore, for immediate, automatic, appropriate and accurate detection of agricultural pests, the use of image processing and artificial intelligence, including deep learning can be very useful. In this study, convolutional neural network models have been developed to identify three common citrus pests in northern Iran such as citrus leafminer, sooty mold and pulvinaria using images of infected leaves, through deep learning methods. For this purpose, Resnet50 and VGG16 architectures are trained as well-known convolutional neural networks, applying the transfer learning method on 1774 images of infected citrus leaves, accumulated from natural and field conditions. In the training phase, data augmentation is used to increase the number of training samples, and to improve the generalizability of the classifiers. For experimental analysis, cross validation strategy is used to evaluate the accuracy of the convolutional neural network. In this strategy, all images are tested without any overlap between training and test sets. Based on the results, the accuracies of Resnet 50 and VGG 16 models are evaluated as 96.05 and 89.34%, respectively. Hence, the Resnet 50 model can convert the above method into a very suitable early warning or consulting system.  
کلیدواژه‌های انگلیسی مقاله Citrus pests,Deep Learning,Convolutional Neural Networks,Resnet50,VGG16
نویسندگان مقاله مرتضی خان رمکی | Morteza Khanramaki
Ph.D. student, Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, Iran
دانشجوی دکتری، گروه مهندسی بیوسیستم، دانشگاه محقق اردبیلی، اردبیل، ایران.

عزت اله عسکری اصلی ارده | Ezzatollah Askari Asli‐Ardeh
Associate professor, Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, Iran
دانشیار گروه مهندسی مکانیک بیوسیستم دانشگاه محقق اردبیلی، اردبیل، ایران

احسان اله کوزه گر | Ehsan Kozegar
Department of Computer Sciences and Engineering, University of Guilan, Guilan, Iran
استادیار گروه مهندسی کامپیوتر دانشکده فنی و مهندسی شرق گیلان دانشگاه گیلان، گیلان، ایران

ریحانه لونی | reihaneh loni
Postdoc Researcher, Department of Biosystems Engineering, Tarbiat Modares University, Tehran, Iran
پژوهشگر پسادکتری، گروه مهندسی مکانیک بیوسیستم، دانشگاه تربیت مدرس، تهران، ایران

نشانی اینترنتی http://fsct.modares.ac.ir/browse.php?a_code=A-10-52633-6&slc_lang=fa&sid=7
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات