پژوهش‌های مکانیک ماشینهای کشاورزی

چکیده شناخت بصری علائم بیماری در برگ گیاهان شامل مشاهده تغییرات ظاهری است که می‌تواند نشانه‌ای از وجود بیماری یا استرس گیاه باشد. این علائم عبارت‌اند از لکه ها، تغییر رنگ، پژمردگی، خوردگی برگ، رشد غیرعادی و ریزش غیرطبیعی برگ. این علائم با استفاده از ابزارهای بصری پیشرفته نظیر حسگرهای سنجش از دور و پهبادها و الگوریتمهای مبتنی بر هوش مصنوعی، قابل شناسایی و مدیریت هستند. این مطالعه به بررسی شناسایی بیماری‌های گیاهی در محصولات مختلف با استفاده از پردازش تصویر و الگوریتم‌های یادگیری عمیق پرداخت. سه مدل مبتنی بر یادگیری عمیق با معماری RegNet، ShuffleNet و DenseNet برای طبقه‌بندی بیماری‌ها بر اساس داده‌های تصویری برگهای بیمار از 5 محصول مختلف درت، سیب زمینی، نیشکر، گندم و برنج ارزیابی شدند. نتایج نشان داد مدل RegNet عملکرد پایداری داشته و ShuffleNet با اورفیت خفیف، دقت قابل‌قبولی ارائه داده است. مدل DenseNet نوساناتی در دقت داشت و نیازمند بهبود است. معیارهای دقت، صحت، بازخوانی و منحنی‌های ROC و نمودار دقت-بازخوانی نشان دادند که مدل‌ها در شناسایی اکثر کلاس‌ها عملکرد خوبی دارند (نرخ شناسایی صحیح بالای 97%). چالش‌هایی مانند کمبود داده‌های متوازن و شباهت علائم بیماری‌ها نیز شناسایی شد. این تحقیق ننایج نویدبخشی را در راستای مدیریت بیماریهای گیاهی توسط فناوری های نوین ارایه می دهد.

چکیده در دنیای مدرن امروز، برای سرعت بخشیدن در کارها سعی در جایگزین‌کردن ماشین‌ها به جای انسان شده است تا بدین-ترتیب از وابسته‌شدن کارها به افراد خاص جلوگیری شود. کشاورزی هم از این قاعده مستثنا نبوده و امروزه از پردازش تصویر برای مکانیزه و جایگزین‌کردن ماشین‌های هوشمند به جای انسان استفاده می‌شود. یکی از موارد استفاده از آن را می‌توان شناسایی اقلام گیاهان، کمبودها و انواع بیماری‌های آن‌ها را می‌توان نام برد. کمبودهای مواد مغذی یکی از انواع بیماری‌های فیزیولوژیکی درختان است که شناسایی آن از اهمیت ویژه‌ای برخوردار می‌باشد. روش معمول برای برای این‌کار، بررسی چشمی برگ، تجزیه خاک و روش‌های آزمایشگاهی می‌باشد، که به افراد خبره و وقت و هزینه‌های زیادی نیاز دارد که مقرون-به‌صرفه نیست. در این مقاله روشی برای حل این مشکلات در نظر گرفته شده و با استفاده از پـردازش تصـویر به تشخیـص انـواع کمبـود مواد مغـذی درختـان پسته بر اساس ویژگی‌های برگی و چند نوع کمبود پرداخته شده است. در ابتدا برگ‌ها جمع‌آوری و از آن‌ها تصویر برداری شده و پس از پردازش تصویر ابتدا ویژگی‌های برگ استخراج و سپس با استفاده از ویژگی-های رنگی هر پیکسل از برگ، کمبودهای آن‌ها شناسایی شده است. این روش با دقت ??% درصد کمبودهای موجود را تشخیص می‌دهد.