چارچوب تفسیرپذیر یادگیری عمیق برای تشخیص، مکان یابی و طبقه بندی بیماری ها و آفات برگ چای

چارچوب تفسیرپذیر یادگیری عمیق برای تشخیص، مکان یابی و طبقه بندی بیماری ها و آفات برگ چای

حمیدرضا صنایع نادری1 پارسا سلیم رفتار2

1) گروه مهندسی کامپیوتر، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.
2) گروه مهندسی کامپیوتر، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.

کد IOI مقاله : AAHD-ABKCZA
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    بیماری‌ها و آفات برگ چای از عوامل مهم کاهش کیفیت و عملکرد محصول چای هستند و تشخیص زودهنگام آن‌ها نقش مهمی در مدیریت هوشمند مزارع و کاهش خسارات اقتصادی دارد. در سال‌های اخیر، روش‌های مبتنی بر یادگیری عمیق و بینایی ماشین به‌طور گسترده برای تشخیص بیماری‌های گیاهی به‌کار گرفته شده‌اند. با این حال، شباهت ظاهری برخی بیماری‌ها و آفات، تنوع شرایط تصویربرداری و نیاز به تصمیم‌گیری قابل اعتماد و تفسیرپذیر، همچنان از چالش‌های اصلی این حوزه به شمار می‌روند. در این پژوهش، یک چارچوب تفسیرپذیر مبتنی بر یادگیری عمیق برای تشخیص، مکان‌یابی و طبقه‌بندی بیماری‌ها و آفات برگ چای ارائه شده است. در بخش تشخیص و مکان‌یابی، از مدل YOLO11s و در بخش طبقه‌بندی، از دو مدل EfficientNetV2-S و MobileNetV3-Large استفاده شد. نتایج ارزیابی نشان داد مدل YOLO11s به Precision برابر 964/0، Recall برابر 973/0، mAP50 برابر 979/0 و mAP50-95 برابر 867/0 دست یافت. همچنین مدل MobileNetV3-Large با Accuracy برابر 9929/0 و Macro F1-score برابر 9927/0، بهترین عملکرد را در طبقه‌بندی تصاویر ارائه کرد. به‌منظور تحلیل تفسیرپذیری تصمیمات مدل، از Grad-CAM استفاده شد که نتایج آن نشان داد مدل عمدتاً بر نواحی مرتبط با علائم بیماری و آفت تمرکز می‌کند. نتایج این پژوهش نشان می‌دهد که چارچوب پیشنهادی، علاوه بر دستیابی به دقت بالا، از قابلیت تفسیرپذیری مناسبی برخوردار بوده و می‌تواند به‌عنوان راهکاری مؤثر برای توسعه سامانه‌های هوشمند پایش سلامت برگ چای مورد استفاده قرار گیرد.

کلمات کلیدی : بیماری برگ چای آفت برگ چای یادگیری عمیق yolo11s efficientnetv2 s mobilenetv3 large grad cam نشت داده بینایی ماشین