تشخیص آفت حلزون در باغ مرکبات تحت شرایط نورپردازی متفاوت با استفاده از شبکه های عصبی عمیق

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 73

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_FSCT-18-115_012

تاریخ نمایه سازی: 5 آذر 1402

چکیده مقاله:

دفع آفات و امراض جزء مهمترین عملیات در مرحله داشت مرکبات محسوب می شود. امروزه تحقیقات زیادی در زمینه تشخیص آفات و بیماری های گیاهی با به کارگیری روش های ماشین بینایی انجام شده است. یکی از مشکلاتی که باعث کاهش دقت ماشین برای تشخیص آفات در شرایط مزرعه ای می شود، وجود عوامل نامساعد از قبیل سایه و تغییرات شدت نور در ساعات مختلف روز می باشد. در این پژوهش به منظور یافتن شدت نور مناسب در ساعات مختلف روز از نورپردازی به وسیله یک لامپ در محل تصویربرداری استفاده شده است. برای تشخیص درختان آلوده به آفت حلزون از روش یادگیری عمیق با سه نوع الگوریتم بهینه ساز نسبتا قوی یعنی RMSProp، Adam و SGDm استفاده شد. برای بررسی و آزمون الگوریتم های مورد استفاده، تعداد ۸۰۰۰ تصویر در ۹ شرایط مزرعه ای و یک حالت آزمایشگاهی مورد بررسی قرار گرفت. در شرایط مزرعه ای، کمترین مقدار دقت تشخیص الگوریتم ها با ۳۲/۶۴ درصد مربوط به تصویربرداری در روز ابری با شدت نور ۳۵۰ الی ۷۰۰ لوکس و با استفاده ازالگوریتم  RMSPropحاصل شد، ولی با ایجاد شدت نور کنترل شده به وسیله لامپ (تقربیا ۹۰۰۰ لوکس)، دقت تشخیص با استفاده از الگوریتم SGDm تا ۲۵/۹۵ 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 ۷۳/۹۸ درصد ارتقاء داد.

نویسندگان

Ramzan Hadipour rokni

Ph.D. student, Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, Iran

ezzatallah Askari Asli-Ardeh

Associate professor, Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, Iran

sajad sabzi

Postdoc Researcher, Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, Iran.

Iman Esmaili paeen- Afrakoti

Assistant Professor, Faculty of Engineering & Technology, University of Mazandaran, Babolsar, Iran.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Officer, P. (۲۰۱۶). Food and agriculture organization of the United ...
  • Lee, S. H., Goëau, H., Bonnet, P., & Joly, A. ...
  • Turkoglu, M., Hanbay, D., & Sengur, A. (۲۰۱۹). Multi-model LSTM-based ...
  • Abu-Saqer, M. M., Abu-Naser, S. S., & Al-Shawwa, M. O. ...
  • Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (۲۰۱۶). ...
  • Karabag, C., Verhoeven, J., Miller, N., & Reyes-Aldasoro, C. C. ...
  • Sun, X., Wu, P., & Hoi, S. C. (۲۰۱۸). Face ...
  • Fooladi, S., Farsi, H., & Mohamadzadeh, S. (۲۰۱۹). Detection and ...
  • Barbedo, J. G. A. (۲۰۱۹). Plant disease identification from individual ...
  • Tavakoli, N., Hemmat, A., & Nazari, B. (۲۰۱۳). Preventing spread ...
  • Xing, S., & Lee, M. (۲۰۲۰). Classification Accuracy Improvement for ...
  • da Costa, A. Z., Figueroa, H. E., & Fracarolli, J. ...
  • Csillik, O., Cherbini, J., Johnson, R., Lyons, A., & Kelly, ...
  • Sowmya, G., & Srikanth, J. (۲۰۱۷). Automatic weed detection and ...
  • Postalcıoğlu, S. (۲۰۲۰). Performance Analysis of Different Optimizers for Deep ...
  • Alruwaili, M., Alanazi, S., Abd El-Ghany, S., & Shehab, A. ...
  • Luaibi, A. R., Salman, T. M., & Miry, A. H. ...
  • Vol. ۱۱, No. ۲, pp. ۱۷۱۹~۱۷۲۷ [۲۸] Barman, U., Choudhury, ...
  • Miao, R. H., Tang, J. L., & Chen, X. Q. ...
  • Hernández-Hernández, J. L., García-Mateos, G., González-Esquiva, J. M., Escarabajal-Henarejos, D., ...
  • Liu, X., Zhao, D., Jia, W., Ruan, C., Tang, S., ...
  • Ali, M. M., Hashim, N., & Hamid, A. S. A. ...
  • Askari Asli-Ardeh, E., Larijani, M. R., Loni, R. (۲۰۲۰). Diagnosis ...
  • Jahanbakhshi, A., Momeny, M., Mahmoudi, M., & Zhang, Y. D. ...
  • Abdullahi, H. S., Sheriff, R., & Mahieddine, F. (۲۰۱۷). Convolution ...
  • Officer, P. (۲۰۱۶). Food and agriculture organization of the United ...
  • Lee, S. H., Goëau, H., Bonnet, P., & Joly, A. ...
  • Turkoglu, M., Hanbay, D., & Sengur, A. (۲۰۱۹). Multi-model LSTM-based ...
  • Abu-Saqer, M. M., Abu-Naser, S. S., & Al-Shawwa, M. O. ...
  • Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (۲۰۱۶). ...
  • Karabag, C., Verhoeven, J., Miller, N., & Reyes-Aldasoro, C. C. ...
  • Sun, X., Wu, P., & Hoi, S. C. (۲۰۱۸). Face ...
  • Fooladi, S., Farsi, H., & Mohamadzadeh, S. (۲۰۱۹). Detection and ...
  • Barbedo, J. G. A. (۲۰۱۹). Plant disease identification from individual ...
  • Tavakoli, N., Hemmat, A., & Nazari, B. (۲۰۱۳). Preventing spread ...
  • Xing, S., & Lee, M. (۲۰۲۰). Classification Accuracy Improvement for ...
  • da Costa, A. Z., Figueroa, H. E., & Fracarolli, J. ...
  • Csillik, O., Cherbini, J., Johnson, R., Lyons, A., & Kelly, ...
  • Sowmya, G., & Srikanth, J. (۲۰۱۷). Automatic weed detection and ...
  • Postalcıoğlu, S. (۲۰۲۰). Performance Analysis of Different Optimizers for Deep ...
  • Alruwaili, M., Alanazi, S., Abd El-Ghany, S., & Shehab, A. ...
  • Luaibi, A. R., Salman, T. M., & Miry, A. H. ...
  • Vol. ۱۱, No. ۲, pp. ۱۷۱۹~۱۷۲۷ [۲۸] Barman, U., Choudhury, ...
  • Miao, R. H., Tang, J. L., & Chen, X. Q. ...
  • Hernández-Hernández, J. L., García-Mateos, G., González-Esquiva, J. M., Escarabajal-Henarejos, D., ...
  • Liu, X., Zhao, D., Jia, W., Ruan, C., Tang, S., ...
  • Ali, M. M., Hashim, N., & Hamid, A. S. A. ...
  • Askari Asli-Ardeh, E., Larijani, M. R., Loni, R. (۲۰۲۰). Diagnosis ...
  • Jahanbakhshi, A., Momeny, M., Mahmoudi, M., & Zhang, Y. D. ...
  • Abdullahi, H. S., Sheriff, R., & Mahieddine, F. (۲۰۱۷). Convolution ...
  • نمایش کامل مراجع