9982

شناسايي بيماري‌هاي گياهي به كمك پردازش تصويري

كارشناسي

مهندسي مكانيك

1404

دكتر اميرحسين دوائي مركزي

دكتر اميرحسين دوائي مركزي

1404/08/11

مكانيك

Detection of plant diseases using image processing

در سال‌هاي اخير، تشخيص سريع و دقيق بيماري‌هاي گياهي بمنظور كاهش خسارات محصولات كشاورزي و افزايش بهره‌وري در بخش كشاورزي اهميت ويژه‌اي يافته است. در اين پژوهش، روشي مبتني بر پردازش تصوير و يادگيري عميق براي شناسايي و دسته‌بندي بيماري‌هاي گياهي ارائه شده است. در ابتدا مجموعه‌داده‌هاي مرتبط با بيماري‌هاي گياهي مورد بررسي و تحليل قرار گرفته و نمونه‌هاي مناسب جهت آموزش مدل‌ها انتخاب گرديد. سپس با بهره‌گيري از معماري‌هاي مطرح در حوزه بينايي‌ماشين، شبكه‌هاي عصبي كانولوشني مدل‌هاي مبنايي عملكرد اين دو رويكرد در استخراج ويژگي‌هاي بصري مقايسه شده است. در ادامه جهت بخش‌بندي و شناسايي ناحيه‌ي آلوده در تصاوير برگ گياه، از مدل YOLO استفاده گرديد. براي اين منظور مجموعه‌داده‌اي اختصاصي با برچسب‌گذاري دقيق نواحي بيماري طراحي و مدل YOLO بر روي آن آموزش داده شد. در گام بعد، براي دست‌بندي نوع بيماري از مدل SwinV2 بهره گرفته شد كه با ساختار مبتني بر مدل بينايي، توانايي بالايي در درك ويژگي‌هاي مكاني و زمينه‌اي تصاوير دارد. داده‌هاي اين بخش نيز بصورت مجزا آماده و مدل مورد نظر آموزش داده شد. در نهايت، يك سامانه‌ي يكپارچه تشخيص بيماري گياهان طراحي شد كه قادر است تصوير ورودي برگ گياه را دريافت كرده، ناحيه‌ي آسيب‌ديده را تشخيص داده و نوع بيماري را با دقت بالا تعيين نمايد. نتايج آزمايش‌ها نشان مي‌دهد كه تركيب مدل YOLO براي تشخيص ناحيه و SwinV2 براي دسته‌بندي بيماري‌ها عملكردي دقيق، سريع و كارآمد ارائه مي‌دهد و مي‌تواند به‌عنوان ابزاري مؤثر در سيستم‌هاي هوشمند كشاورزي مورد استفاده قرار گيرد.

شبكه عصبي كانولوشني , شبكه مبدل بينايي , مدل بخش‌بندي نمونه , مدل دسته‌بندي