جستجو
چارچوب تفسیرپذیر یادگیری عمیق برای تشخیص، مکان یابی و طبقه بندی بیماری ها و آفات برگ چای
حمیدرضا صنایع نادری1 پارسا سلیم رفتار2
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
زبان مقاله : فارسی
محور مقاله : فناوری های کاربردی هوش مصنوعی و کاربردهای آن در علوم مختلف
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABKCZA
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABKCZA
سایر مقالات ارائه دهنده
- چارچوب تفسیرپذیر یادگیری عمیق برای تشخیص، مکان یابی و طبقه بندی بیماری ها و آفات برگ چای
- ارزیابی مدل های قطعه بندی نمونه ای برای استخراج ناحیه بدن تاس ماهیان به عنوان پیش مرحله تحلیل مورفولوژیک
- یک معماری هدایتشده مبتنی بر SHAP و بهینهسازی فرا ابتکاری (PSO) برای پیشبینی تفسیرپذیر سلامت روان دانشجویان با TabM
سایر مقالات محل انتشار
- A Study on Design Understandability and Interaction of the therapy-specific Robots
- طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتیژن
- طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
- یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکههای خودرویی شهرهای هوشمند با استفاده از دادههای ترافیکی شبکه سلولی
- An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
- تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکههای عصبی
- Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
- ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
- کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
- Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
- Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
- تحلیل آیندهپژوهانه همگرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
- نقش تحول دیجیتال در خدمات کتابخانههای عمومی برای توانیابان جسمی و ذهنی
- Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
- Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems