- همه نشریات
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- مجلات ترویجی کشاورزی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
آمار
| تعداد نشریات | 277 |
| تعداد نشریات سازمان | 76 |
| تعداد شماره‌ها | 1,959 |
| تعداد مقالات | 22,498 |
| تعداد مشاهده مقاله | 12,097,368 |
| تعداد دریافت فایل اصل مقاله | 9,757,924 |
استفاده از یادگیری عمیق در تشخیص خودکار بیماری گیاهان بر اساس پردازش تصویر برگ | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 02 تیر 1399 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2020.341617.1338 | ||
| نویسندگان | ||
رویا راد   1؛ فاطمه وردی2؛ محمد موسوی3
| ||
| 1هیات علمی گروه مهندسی کامپیوتر و IT، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی ، واحد پرند، استان تهران، ایران | ||
| 2استادیار، گروه مهندسی کامپیوتر و IT، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد پرند | ||
| 3گروه مهندسی کامپیوتر و IT، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی ، واحد پرند | ||
| چکیده | ||
| تشخیص سریع بیماری‌های گیاهان همواره از چالش‌های مهم صنعت کشاورزی بوده است. یکی از رویکردهایی که در این زمینه مورد استقبال واقع شده، استفاده از روش‌های پردازش تصویر است. مزیت این روش‌ها در خودکار، سریع، کم‌هزینه، غیرتخریبی و دقیق بودن آنهاست. در این پژوهش با پردازش تصویر برگ گیاهان و محصولات کشاورزی، ضمن تشخیص گیاهان سالم از ناسالم، نوع و شدت بیماری آن‌ها نیز به صورت خودکار تشخیص داده شود. برای این کار از روش‌های مبتنی بر یادگیری عمیق شامل چندین معماری مختلف از شبکه‌های عصبی پیچشی به همراه دسته‌بند ماشین بردار پشتیبان استفاده شد. روش پیشنهادی در این پژوهش قابل تعمیم به گیاهان و محصولات مختلف و همین طور چندین گیاه به طور همزمان است. شبکه‌های طراحی شده با استفاده از دو زیر مجموعه متفاوت از تصاویر مجموعه داده Plant Village آموزش داده شد و مورد ارزیابی قرار گرفت. در زیر مجموعه اول که مربوط به تشخیص بیماری درخت سیب در چهار کلاس مختلف بود، دقت 95% و در زیر مجموعه دوم که مربوط به چهار گیاه مختلف و در ده دسته بود، دقت 8/96% به دست آمد. نتایجِ ارزیابی نشان داد ترکیبِ دسته‌بند ماشین بردار پشتیبان با شبکه‌های یادگیری عمیق، دقت تشخیص بیماری گیاهان را بهبود می‌بخشد. | ||
| کلیدواژه‌ها | ||
| تشخیص بیماری گیاهان؛ پردازش تصویر؛ دسته‌بندی تصاویر؛ یادگیری عمیق؛ سامانه‌های کشاورزی | ||
| عنوان مقاله [English] | ||
| Use deep learning in automatic plant disease diagnosis based on leaf image processing | ||
| نویسندگان [English] | ||
| roya rad1؛ fatemeh vardi2؛ mohammad musavi3 | ||
| 1Computer Engineering and IT Group, Department of Technical Engineering, Islamic Azad University, Parand Branch,Tehran, Iran. | ||
| 2Computer Engineering and IT Group, Department of Technical Engineering, Islamic Azad University, Parand Branch | ||
| 3Computer Engineering and IT Group, Department of Technical Engineering, Islamic Azad University, Parand Branch | ||
| چکیده [English] | ||
| Rapid diagnosis of plant diseases has always been an important challenge for the agricultural industry. One of the approaches that has been welcomed in this field is the use of image processing methods. The advantage of these methods is that they are automatic, fast, low cost, non-destructive and accurate. This article tries to automatically distinguish healthy plants from unhealthy ones and diagnose the type and severity of their disease, by processing the image of the leaves of plants and agricultural products. To do this, deep learning-based methods including several different architectures of convolutional neural networks were used along with a support vector machine classifier. The proposed method in this study can be generalized to different plants and products as well as several plants simultaneously. The designed networks were evaluated using two different subsets of Plant Village data sets. In the first subset, which was related to the diagnosis of apple tree disease in four different classes, the accuracy was 95%, and in the second subset, which was related to four different plants in ten classes, the accuracy was 96.8%. Evaluation results showed that combining the support vector machine classifier with deep learning networks improves plant disease detection accuracy. | ||
| کلیدواژه‌ها [English] | ||
| Plant Disease Detection, Image Processing, Image Classification, Deep Learning, Mechanized Agricultural Systems | ||
|
آمار تعداد مشاهده مقاله: 4 |
||
