فهرست نشریات علمی دسترسی آزاد ایران

هدف: کشاورزی همچنان یکی از عوامل اصلی رشد اقتصادی و امنیت غذایی در بسیاری از کشورهای در حال توسعه به شمار می‌رود و سویا یکی از مهم‌ترین محصولات نقدی در جهان محسوب می‌شود. به دلیل ارزش غذایی بالای آن، سویا به طور گسترده در رژیم‌های غذایی انسانی و خوراک دام مصرف می‌شود و استفاده از آن به عنوان جایگزین شیر نیز به دلیل ماندگاری بیشتر پس از فرآوری رو به افزایش است. با این حال، تولید سویا اغلب در معرض طیف وسیعی از بیماری‌های برگی قرار دارد که بسته به شرایط خاک، عوامل اقلیمی و الگوهای کشت متفاوت هستند. این بیماری‌ها باعث کاهش چشمگیر در عملکرد و کیفیت محصول می‌شوند و ضرورت استفاده از روش‌های تشخیص کارآمد، خودکار و دقیق را برجسته می‌سازند. هدف این مطالعه طراحی و ارزیابی یک چارچوب تشخیص بیماری برگ سویا از طریق مقایسه روش‌های سنتی یادگیری ماشین با رویکردهای یادگیری عمیق است.مواد و روش‌ها: یک مجموعه‌داده انتخاب‌شده شامل ۱۵۰۰ تصویر برگ سویا در دسته‌های مختلف بیماری به کار گرفته شد که به نسبت ۸۰:۲۰ برای آموزش و آزمون تقسیم گردید. پیش از آموزش مدل‌ها، تصاویر تحت پردازش‌های اولیه نظیر تغییر اندازه، تبدیل به طیف خاکستری، همسان‌سازی هیستوگرام و بخش‌بندی قرار گرفتند تا استخراج ویژگی بهبود یابد. دو رویکرد پیاده‌سازی شد: ماشین بردار پشتیبان (SVM) با ویژگی‌های استخراج‌شده به صورت دستی که نمایانگر یادگیری ماشین سنتی است، و یک شبکه عصبی کانولوشنی (CNN) سفارشی که نمایانگر یادگیری عمیق است. شبکه CNN با سه لایه کانولوشنی، لایه‌های بیشینه‌برداری (max-pooling) و لایه‌های کاملاً متصل طراحی شد و از تکنیک‌های افزایش داده، منظم‌سازی Dropout و تنظیم تطبیقی نرخ یادگیری استفاده گردید. همچنین بهینه‌سازی ابرپارامترها برای ارتقای عملکرد انجام شد.نتایج: شبکه CNN پیشنهادی به دقت اعتبارسنجی ۱۰۰٪ دست یافت که به طور قابل توجهی بهتر از طبقه‌بند SVM با دقت 44/44% بود. اگرچه نشانه‌های جزئی بیش‌برازش مشاهده شد، اما CNN توانست قابلیت تعمیم قوی خود را در میان نمونه‌های متنوع برگ حفظ کند و قابلیت اطمینان آن در کاربردهای عملی را نشان دهد.نتیجه‌گیری: یافته‌ها برتری آشکار یادگیری عمیق نسبت به روش‌های متداول یادگیری ماشین در شناسایی بیماری‌های گیاهی را تأیید می‌کنند. پژوهش‌های آینده بر استفاده از یادگیری انتقالی با شبکه‌های از پیش آموزش‌دیده و توسعه سامانه‌های تشخیص بلادرنگ مبتنی بر برنامه‌های تلفن همراه همراه با حسگرهای اینترنت اشیا متمرکز خواهد بود. چارچوب پیشنهادی مسیری مقیاس‌پذیر و قابل اعتماد برای کشاورزی فراهم می‌کند و مزایای قابل توجهی برای مدیریت پایدار محصولات و بهبود بهره‌وری در پی خواهد داشت.