تشخیص و دسته‌بندی تعدادی از بیماری‌های گوجه‌فرنگی با استفاده از یادگیری انتقالی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی لاتین

نویسنده

• ایمان احمدی

گروه مهندسی تولید و ژنتیک گیاهی، دانشکده کشاورزی، آب، غذا و فراسودمندها، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران

https://doi.org/10.22067/jam.2024.88500.1258

چکیده

در موضوع بیماری‌های گیاهی، انتخاب روش‌های پیشگیری مناسب مانند کاربرد علف‌کش‌ها تنها زمانی امکان‌پذیر است ‌که نوع بیماری به سرعت و به دقت تشخیص داده شود. در این مطالعه یک مدل یادگیری انتقالی بر مبنای مدل از پیش آموزش‌دیده EfficientNet به‌منظور تشخیص و دسته‌بندی برخی از بیماری‌های گوجه‌فرنگی با استفاده از 2340 تصویر از گیاه گوجه‌فرنگی به‌عنوان پایگاه تصاویر آموزشی توسعه یافت. برمبنای نتایج این مطالعه در مرحله اعتبارسنجی مدل، نرخ دسته‌بندی تصاویر در حدود 5 fps (5 فریم در ثانیه) بود که برای مدل یادگیری عمیقی که روی رایانه مجهز به CPU معمولی اجرا می‌شود، منطقی است. به‌علاوه چون منحنی‌های صحت و هزینه مربوط به مراحل آموزش و آزمایش در عددهای دوره بیش از 20 تقریباً افقی شده بودند (از نظر عددی، بدترین ضریب تغییرات داده‌های مربوط به این چهار حالت 7% بود)، مدل به‌خوبی آموزش دیده است و افزایش عدد دوره به افزایش صحت مدل منجر نخواهد شد. به‌علاوه سلول‌های واقع در قطر اصلی ماتریس در هم‌ریختگی مربوط به عملکرد مدل روی تصاویر آزمون با اعداد بزرگتری در مقایسه با محتوای سایر سلول‌های ماتریس پر شده بودند، به‎طور دقیق 88.8%، 7.7%، و 3.3% از سلول‌های باقیمانده (جایی‎که سلول‌های مربوط به قطر اصلی ماتریس کنار گذاشته شده بودند) به‌ترتیب با اعداد 0 و 1 و 2 پر شده بودند. در نهایت مقادیر حساسیت، اختصاصیت، دقت، نمره F1 و صحت مدل به‌ترتیب برابر با 85%، 98%، 86%، 84% و 85% بود.

کلیدواژه‌ها

• صحت مدل
• ماتریس درهم ریختگی
• مدل EfficientNet

موضوعات

• پردازش تصویر

©2025 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0).

مراجع

1. Agarwal, M., Singh, A., Arjaria, S., Sinha, A., & Gupta S. T. (2020). Tomato leaf disease detection using convolution neural network. Procedia Computer Science, 167, 293-301. https://doi.org/10.1016/j.procs.2020.03.225
2. Ahmed, I., & Yadav, P. K. (2023). A systematic analysis of machine learning and deep learning based approaches for identifying and diagnosing plant diseases. Sustainable Operations and Computers, 4, 96-104. https://doi.org/10.1016/j.susoc.2023.03.001
3. Ali, M. M., Bachik, N. A., Muhadi, N. A., Tuan Yusof, T. N., & Gomes, C. (2019). Nondestructive techniques of detecting plant diseases: A review. Physiological and Molecular Plant Pathology, 108, 101426. https://doi.org/10.1016/j.pmpp.2019.101426
4. Anjna, Sood, M., & Singh, P. K. (2020). Hybrid system for detection and classification of plant disease using qualitative texture features analysis. Procedia Computer Science, 167, 1056-1065. https://doi.org/10.1016/j.procs.2020.03.404
5. Balaji, V., Anushkannan, N. K., Narahari, Sujatha Canavoy, Rattan, Punam, Verma, Devvret, Awasthi, Deepak Kumar, Pandian, A. Anbarasa, Veeramanickam, M. R. M., Mulat, & Molla Bayih (2023). Deep transfer learning technique for multimodal disease classification in plant images. Contrast Media & Molecular Imaging, 5644727. https://doi.org/10.1155/2023/5644727
6. Batool, A., Hyder, S. B., Rahim, A., Waheed, N., & Asghar, M.A. (2020). Classification and identification of tomato leaf disease using deep neural network. International Conference on Engineering and Emerging Technologies (ICEET). https://doi.org/10.1109/ICEET48479.2020.9048207
7. Burhan, S. A., Minhas, D. S., Tariq, D. A., & Nabeel, H. M. (2020). Comparative study of deep learning algorithms for disease and pest detection in rice crops. 12^th International Conference on Electronics, Computers and Artificial Intelligence (ECAI). https://doi.org/10.1109/ECAI50035.2020.9223239
8. Genaev, M. A., Skolotneva, E. S., Gultyaeva, E. I., Orlova, E. A., Bechtold, N. P., & Afonnikov, D. A. (2021). Image-based wheat fungi diseases identification by deep learning. Plants, 10(8), 1-21. https://doi.org/10.3390/plants10081500
9. Guerrero-Ibanez, A., & Reyes-Munoz, A. (2023). Monitoring tomato leaf disease through convolutional neural networks. Electron, 12(1), 1-15. https://doi.org/10.3390/electronics12010229
10. Bharali, P., Bhuyan, C., & Boruah, A. (2019). Plant Disease Detection by Leaf Image Classification Using Convolutional Neural Network. In: Gani, A., Das, P., Kharb, L., Chahal, D. (eds) Information, Communication and Computing Technology. ICICCT 2019. Communications in Computer and Information Science, vol 1025. Springer, Singapore. https://doi.org/10.1007/978-981-15-1384-8_16
11. Huang, Z., Su, L., Wu, J., & Chen, Y. (2023). Rock Image Classification Based on EfficientNet and Triplet Attention Mechanism. Applied Science Letters, 13, https://doi.org/10.3390/app13053180
12. Jasim, M. A., & Al-Tuwaijari, J. M. (2020). Plant leaf diseases detection and classification using image processing and deep learning techniques. International Conference on Computer Science and Software Engineering. https://doi.org/10.1109/CSASE48920.2020.9142097
13. Jena, L., Sethy, P. K., & Behera, S. K. (2021). Identification of wheat grain using geometrical feature and machine learning. In: 2nd international conference for emerging technology (INCET) (pp. 1_6).
14. Khan, R. U., Khan, K., Albattah, W., & Qamar, A.M. (2021). Image-based detection of plant diseases: from classical machine learning to deep learning journey. Wireless Communications and Mobile Computing, 1-13. https://doi.org/10.1155/2021/5541859
15. Kirola, M., Joshi, K., Chaudhary, S., Singh, N., Anandaram, H., & Gupta, A. (2022). Plants diseases prediction framework: a imagebased system using deep learning. Proc IEEE World Conf Appl Intell Comput. https://doi.org/10.1109/AIC55036.2022.9848899
16. Liu, J., & Wang, X. (2021). Plant diseases and pests detection based on deep learning: a review. Plant Methods, 17(1), 1-18. https://doi.org/10.1186/s13007-021-00722-9
17. Shah, J. P., Harshadkumar, B., Prajapati, V. K., & Dabhi. (2016). A survey on detection and classification of rice plant diseases. In: IEEE international conference on current trends in advanced computing (ICCTAC).
18. Upadhyay, S. K., & Kumar, A. (2022). A novel approach for rice plant diseases classification with deep convolutional neural network. International Journal of Information Technology, 14(1):185-99. https://doi.org/10.1007/s41870-021-00817-5
19. Zhao, S., Peng, Y., Liu, J., & Wu, S. (2021). Tomato leaf disease diagnosis based on improved convolution neural network by attention module. Agriculture, https://doi.org/10.3390/agriculture11070651