| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,766 |
| تعداد مقالات | 31,497 |
| تعداد مشاهده مقاله | 39,697,319 |
| تعداد دریافت فایل اصل مقاله | 17,252,976 |
تشخیص و شمارش خودکار شب‌پره مینوز گوجه‌فرنگی، Tuta absoluta (Myrick) (Lepidoptera: Gelechiidae) با استفاده از تکنیک یادگیری عمیق | ||
| آفات و بیماری‌های گیاهی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 04 دی 1402 اصل مقاله (597.2 K) | ||
| نوع مقاله: مدیریت آفات و بیماری‌های گیاهی | ||
| شناسه دیجیتال (DOI): 10.22092/jaep.2023.362402.1481 | ||
| نویسندگان | ||
| علیرضا شعبانی نژاد1؛ عباسعلی زمانی* 2؛ مجید ایرانپور مبارکه3؛ سعید عباسی4؛ فرانک رنجبر5 | ||
| 1دانشگاه رازی | ||
| 21- گروه گیاهپزشکی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه | ||
| 3دانشکده کامپیوتر و فناوری اطلاعات، دانشگاه پیام نورمبارکه، اصفهان | ||
| 4گروه گیاهپزشکی، دانشکده علوم و مهندسی کشاورزی، دانشگاه رازی، کرمانشاه | ||
| 5گروه خاکشناسی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه | ||
| چکیده | ||
| تشخیص و شمارش دقیق آفات، اهمیت زیادی در برنامه‌های مدیریت کنترل آفات دارد و روش‌های معمول شناسایی و شمارش آفات روی گیاهان میزبان، پرهزینه و زمان‌بر و در عین حال دارای خطاهای انسانی غیر قابل کنترل است. استفاده از فناوری‌های نوین برای تشخیص و اندازه‌گیری تراکم جمعیت آفات، می‌تواند گام مهمی برای تسهیل در اجرای برنامه‌های مدیریت تلفیقی آفات و کنترل دقیق‌تر و موثرتر آنها باشد. در این پژوهش، از تکنیک یادگیری عمیق و شبکه عصبی کانولوشنال با معماری AlexNet، جهت تشخیص و شمارش خودکار شب‌پره مینوز گوجه‌فرنگی Tuta absoluta (Myrick) (Lepidoptera: Gelechiidae)، یکی از آفات کلیدی گیاه گوجه‌فرنگی در ایران، استفاده شد. برای جمع‌آوری تصاویر حشرات بالغ T. absoluta، تعداد 15 تله دلتا در دو هکتار از مزارع گوجه‌فرنگی پردیس کشاورزی و منابع طبیعی دانشگاه رازی، نصب گردید. به منظور تهیه تصاویر، از دوربین عکاسی سونی مدل DSC-WX100 با دقت موثر حسگر 18 مگاپیکسل، استفاده شد. برای ارزیابی عملکرد شبکه عصبی پیچشی با معماری AlexNet از پارامترهای دقت متوسط، دقت و یادآوری استفاده و برای ارزیابی عملکرد در شمارش، از منحنی رگرسیون خطی و ضریب تبیین استفاده شد. پارامترهای دقت متوسط (98/0)، دقت (100) و یادآوری (100) نشان از عملکرد بالای شبکه عصبی کانولوشنال در تشخیص شب‌پره مینوز گوجه‌فرنگی داشت و همچنین ضریب تبیین (98/0)، بیانگر دقت بالای شبکه در شمارش این آفت بود. به طور کلی، نتایج نشان داد که شبکه عصبی می‌تواند راه‌حلی کاربردی برای تشخیص و شمارش دقیق این آفت روی گوجه‌فرنگی با استفاده از تصاویر گرفته‌شده ارائه کند. | ||
| کلیدواژه‌ها | ||
| شب‌پره مینوز گوجه‌فرنگی؛ معماری AlexNet؛ یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| Automatic detection and counting of Tuta absoluta (Myrick) (Lepidoptera: Gelechiidae) using deep learning technique | ||
| نویسندگان [English] | ||
| Alireza Shabaninejad1؛ Abbas Ali Zamani2؛ Majid Iranpour3؛ Saeed Abbasi4؛ Faranak Ranjbar5 | ||
| 1Razi University | ||
| 2Department of Plant Protection, Faculty of Agriculture, Razi University, Kermanshah | ||
| 3College of Computer Engineering and IT, Payam Noor Mobarakeh University, Isfahan, Iran | ||
| 4Department of Plant Protection, College of Agriculture, Razi University, Kermanshah | ||
| 5Department of Soil Science, College of Agriculture, Razi University, Kermanshah | ||
| چکیده [English] | ||
| Accurately detecting and counting pests is crucial in pest management programs. Conventional methods of pest identification and counting on host plants are expensive, time-consuming, and subject to uncontrollable human errors. The use of modern technologies for detecting and measuring pest population density can be an important step in facilitating the implementation of integrated pest management programs and achieving more precise and effective control. In this study, the deep learning technique and convolutional neural network with AlexNet architecture were used for the automatic detection and counting of the tomato leaf miner, Tuta absoluta, which is one of the key pests of tomato plants in Iran. To collect images of adult T.absoluta insects, 15 delta traps were installed in two hectares of tomato farms at Campus of Agricultural and Natural Resources. The Sony DSC-WX100 camera with an effective sensor resolution of 18 megapixels was used to capture the images. The performance of the convolutional neural network with the AlexNet architecture was evaluated using the parameters of average accuracy, accuracy, and recall. For counting performance, the linear regression curve and coefficient of determination were used. The average accuracy (98.0), accuracy (100), and recall (100) parameters indicate the high performance of the convolutional neural network in detecting the tomato leaf miner, and the coefficient of determination (0.98) indicates the network's high accuracy in counting this pest. Overall, the results demonstrate that the neural network can provide a practical solution for the accurate detection and counting of this pest on tomato plants using captured images. | ||
| کلیدواژه‌ها [English] | ||
| Tomato leaf miner, AlexNet architecture, deep learning | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 158 تعداد دریافت فایل اصل مقاله: 177 |
||