تشخیص کرم ساقه‌خوار برنج (Chilo suppressalis) با کمک تصاویر تلفن هوشمند و یادگیری عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان

• محمد فلاح ¹
• عبادت قنبری پرمهر ²

¹ دانشجوی کارشناسی، گروه مهندسی نقشه‌برداری، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران

² گروه مهندسی نقشه‌برداری، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران

https://doi.org/10.22067/jam.2022.72647.1064

چکیده

در بین محصولات کشاورزی، برنج یکی از اصلی‌ترین منابع غذایی در کشورهای خاورمیانه، به‌ویژه ایران است. مقابله موثر و به‌هنگام با آفات مزارع برنج، یکی از بزرگ‌ترین چالش‌های پیش رو در زمینه زراعت این محصول است. کرم ساقه‌خوار برنج (Chilo suppressalis) از آفات کلیدی گیاه برنج در شمال ایران می‌باشد. در حال حاضر، تشخیص نوع آفت‌هایی که به مزارع برنج هجوم می‌برند به نیروی انسانی و تجربه کافی متکی است. تشخیص آفت در مراحل اولیه به‌منظور به حداقل رساندن خسارت به‌عنوان اقدام پیشگیرانه ضروری است. توسعه هوش مصنوعی و الگوریتم‌های یادگیری ماشین، دریچه جدیدی را در صنایع مختلف از جمله کشاورزی صنعتی ایجاد کرده است. با استفاده از یادگیری ماشین می‌توان تا حدود زیادی از خطا‌های موجود در شناسایی آفت جلوگیری کرد. از طرف دیگر در سال‌های اخیر همگانی شدن استفاده از تلفن همراه هوشمند و توسعه شیوه دریافت اطلاعات داوطلبانه، امکان پایش خودکار به‌منظور کاهش نیروی انسانی برای کشاورزان فراهم شده است. هدف از این تحقیق، شناسایی خودکار کرم ساقه‌خوار برنج با استفاده از تصاویر تلفن همراه و معرفی و توسعه یک برنامه کاربردی برای کشاورز جهت شناسایی دقیق آفت است. از برنامه کاربردی توسعه‌داده شده برای کشاورز به‌منظور دریافت تصاویر کرم ساقه‌خوار برنج برای آموزش شبکه عصبی عمیق استفاده شد. سپس، با استفاده از تکنیک­های یادگیری عمیق به آموزش مدل پرداخته شد. نتایج حاصل نشان داد که مدل آموزش‌دیده با استفاده از تصاویر تلفن هوشمند با دقت 92 درصد و صحت 88 درصد عملکرد مناسبی در تشخیص آفت کرم ساقه‌خوار دارد.

کلیدواژه‌ها

• تشخیص خودکار آفات
• تلفن همراه هوشمند
• کشاورزی هوشمند
• یادگیری ماشین

20.1001.1.22286829.1402.13.2.7.6

موضوعات

• پردازش تصویر

©2022 The author(s). This article is licensed under Creative Commons Attribution 4.0 International License (CC BY 4.0), which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source.

مراجع

1. Ba, J., & Frey, B. (2013). Adaptive dropout for training deep neural networks. Advances in Neural Information Processing Systems, 26, 3084-3092.
2. Baldi, P., & Sadowski, (2014). The dropout learning algorithm. Artificial Intelligence, 210, 78-122. https://doi.org/10.1016/j.artint.2014.02.004
3. Chen, J., Liu, Q., & Gao, L. (2021). Deep Convolutional Neural Networks for Tea Tree Pest Recognition and Diagnosis. Symmetry, 13(11), 2140. https://doi.org/10.3390/sym13112140
4. Chung, C. L., Huang, K. J., Chen, S. Y., Lai, M. H., Chen, Y. C., & Kuo, Y. F. (2016). Detecting Bakanae disease in rice seedlings by machine vision. Computers and Electronics in Agriculture, 121, 404-411. https://doi.org/10.1016/j.compag.2016.01.008
5. Dale, D. (1994). Insect pests of the rice plant–their biology and ecology. Biology and Management of Rice Insects, 438, 442.
6. Deshpande, T., Sengupta, S., & Raghuvanshi, K. (2014). Grading & identification of disease in pomegranate leaf and fruit. International Journal of Computer Science and Information Technologies, 5, 4638-4645.
7. Ebrahimi, M., Khoshtaghaza, M. H., Minaei, S., & Jamshidi, B. (2017). Vision-based pest detection based on SVM classification method. Computers and Electronics in Agriculture, 137, 52-58. https://doi.org/10.1016/j.compag.2017.03.016
8. Elfwing, S., Uchibe, E., & Doya, K. (2018). Sigmoid-weighted linear units for neural network function approximation in reinforcement learning. Neural Networks, 107, 3-11. https://doi.org/10.1016/j.neunet.2017.12.012
9. Gutierrez, A., Ansuategi, A., Susperregi, L., Tubío, C., Rankić, I., & Lenža, L. (2019). A Benchmarking of Learning Strategies for Pest Detection and Identification on Tomato Plants for Autonomous Scouting Robots Using Internal Databases. Journal of Sensors, 5219471. https://doi.org/10.1155/2019/5219471
10. Hornberg, A. (2017). Handbook of Machine and Computer Vision: The Guide for Developers and Users. Wiley-VCH. Germany.
11. Jearanaiwongkul, W., Anutariya, C., Racharak, T., & Andres, F. (2021). An Ontology-Based Expert System for Rice Disease Identification and Control Recommendation. Applied Sciences, 11(21), 10450. https://doi.org/10.3390/app112110450
12. Jha, K., Doshi, A., Patel, P., & Shah, M. (2019). A comprehensive review on automation in agriculture using artificial intelligence. Artificial Intelligence in Agriculture, 2, 1-12. https://doi.org/10.1016/j.aiia.2019.05.004
13. Karabatak, M., & Ince, M. C. (2009). An expert system for detection of breast cancer based on association rules and neural network. Expert Systems with Applications, 36, 3465-3469. https://doi.org/10.1016/j.eswa.2008.02.064
14. Khanramaki, M., Askari Asli-Ardeh, E., Kozegar, E., & Loni, R. (2021). Detection of common citrus pests in northern Iran using an artificial neural network. Journal of Food Science and Technology (Iran), 17(109), 143-152. https://fsct.modares.ac.ir/article-7-43117-en.html
15. Kusrini, K., Suputa, S., Setyanto, A., Agastya, I. M. A., Priantoro, H., Chandramouli, K., & Izquierdo, E. (2020). Dataset for pest classification in Mango farms from Indonesia. Mendeley Data, V1. https://doi.org/10.17632/94jf97jzc8.1
16. Lu, C. Y., Rustia, D. J. A., & Lin, T. T. (2019). Generative adversarial network based image augmentation for insect pest classification enhancement. IFAC-PapersOnLine, 52, 1-5. https://doi.org/10.1016/j.ifacol.2019.12.406
17. Miranda, J. L., Gerardo, B. D., & Tanguilig, B. T. (2014). Pest detection and extraction using image processing techniques. International Journal of Computer and Communication Engineering, 3, 189. https://doi.org/10.7763/IJCCE.2014.V3.317
18. Mitchell, T. M., Carbonell, J. G., & Michalski, R. S. (1986). Machine learning: a guide to current research.
19. Najaf-Zadeh, A., & Ghaffari, H. R. (2020). A Two-Dimensional Convolutional Neural Network for Brain Tumor Detection from MRI. Original. Quarterly of Horizon of Medical Sciences, 26(4), 398-413. https://doi.org/10.32598/hms.26.4.3303.1
20. Ngugi, L. C., Abdelwahab, M., & Abo-Zahhad, M. (2020). Tomato leaf segmentation algorithms for mobile phone applications using deep learning. Computers and Electronics in Agriculture, 178, https://doi.org/10.1016/j.compag.2020.105788
21. Opara, L. (2004). Emerging technological innovation triad for smart agriculture in the 21st century. Part I. Prospects and impacts of nanotechnology in agriculture.
22. Pantazi, X. E., Tamouridou, A. A., Alexandridis, T., Lagopodi, A. L., Kontouris, G., & Moshou, D. (2017). Detection of Silybum marianum infection with Microbotryum silybum using VNIR field spectroscopy. Computers and Electronics in Agriculture, 137, 130-137. https://doi.org/10.1016/j.compag.2017.03.017
23. Pathak, M. (1968). Ecology of common insect pests of rice. Annual Review of Entomology, 13, 257-294.
24. Pew Research Center. Feb. 05, 2019. Smartphone Ownership Is Growing Rapidly Around the World, but Not Always Equally. pewresearch.org/global/2019/02/05/smartphone-ownership-is-growing-rapidly-around-the-world-but-not-always-equally
25. Pohl, C., Kanniah, K. D., & Loong, C. K. (2016). Monitoring oil palm plantations in Malaysia. Pages 2556-2559. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS): IEEE.
26. Praveen, B., & Sharma, P. (2020). A review: The role of geospatial technology in precision agriculture. Journal of Public Affairs, 20, e1968. https://doi.org/10.1002/pa.1968
27. Silveira, M., & Monteiro, A. (2009). Automatic recognition and measurement of butterfly eyespot patterns. Biosystems, 95, 130-136. https://doi.org/10.1016/j.biosystems.2008.09.004
28. Soomro, T. R. (2015). GIS enabling smart agriculture. Smart agriculture: An approach towards better agriculture management: 1-6.
29. Soomro, T. R., Naqvi, M. R., & Zheng, K. (2001). GIS: A Weapon to Combat the Crime. Pages 228-230. Proceedings of the World Multiconference on Systemics, Cybernetics and Informatics: Information Systems Development-Volume I-Volume I.
30. Tajbakhsh, N., Shin, J. Y., Gurudu, S. R., Hurst, R. T., Kendall, C. B., Gotway, M. B., & Liang, J. (2016). Convolutional neural networks for medical image analysis: Full training or fine tuning? IEEE Transactions on Medical Imaging, 35, 1299-1312. https://doi.org/10.1109/TMI.2016.2535302
31. Wen, C., Wu, D., Hu, H., & Pan, W. (2015). Pose estimation-dependent identification method for field moth images using deep learning architecture. Biosystems Engineering, 136, 117-128. https://doi.org/10.1016/j.biosystemseng.2015.06.002
32. Yan, Y., Feng, C. C., & Chang, K. T. T. (2017). Towards enhancing integrated pest management based on volunteered geographic information. ISPRS International Journal of Geo-Information, 6, 224. https://doi.org/10.3390/ijgi6070224
33. Zhong, Y., Gao, J., Lei, Q., & Zhou, Y. (2018). A Vision-Based Counting and Recognition System for Flying Insects in Intelligent Agriculture. Sensors, 18(5),1489. https://doi.org/10.3390%2Fs18051489
34. Zhu, Z., Zhang, R., & Sun, J. (2009). Research on GIS-based agriculture expert system. Pages 252-255. 2009 WRI World Congress on Software Engineering: IEEE.