| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,188 |
| تعداد مقالات | 35,336 |
| تعداد مشاهده مقاله | 51,458,096 |
| تعداد دریافت فایل اصل مقاله | 91,331,885 |
تشخیص و شمارش خودکار شبپره مینوز گوجهفرنگی، Tuta absoluta با استفاده از تکنیک یادگیری عمیق | ||
| آفات و بیماری های گیاهی | ||
| دوره 91، شماره 2 - شماره پیاپی 117، 1402، صفحه 149-156 اصل مقاله (459.49 K) | ||
| نوع مقاله: مدیریت آفات و بیماریهای گیاهی | ||
| شناسه دیجیتال (DOI): 10.22092/jaep.2023.362402.1481 | ||
| نویسندگان | ||
| علیرضا شعبانی نژاد1؛ عباسعلی زمانی* 2؛ مجید ایرانپور مبارکه3؛ سعید عباسی4؛ فرانک رنجبر5 | ||
| 1گروه گیاهپزشکی، دانشکده کشاورزی، دانشگاه رازی | ||
| 21- گروه گیاهپزشکی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه | ||
| 3دانشکده کامپیوتر و فناوری اطلاعات، دانشگاه پیام نورمبارکه، اصفهان | ||
| 4گروه گیاهپزشکی، دانشکده علوم و مهندسی کشاورزی، دانشگاه رازی، کرمانشاه | ||
| 5گروه خاکشناسی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه | ||
| چکیده | ||
| استفاده از فناوری های نوین برای تشخیص و اندازهگیری تراکم جمعیت آفات، میتواند گام مهمی برای تسهیل در اجرای برنامههای مدیریت تلفیقی آفات و کنترل دقیقتر و مؤثرتر آنها باشد. در این پژوهش، از تکنیک یادگیری عمیق و شبکه عصبی کانولوشنال با معماری AlexNet، جهت تشخیص و شمارش خودکار شبپره مینوز گوجهفرنگی Tuta absoluta (Myrick) (Lepidoptera: Gelechiidae)، یکی از آفات کلیدی گیاه گوجهفرنگی در ایران، استفاده شد. برای جمعآوری تصاویر حشرات بالغ T. absoluta، تعداد 15 تله دلتا در دو هکتار از مزارع گوجهفرنگی پردیس کشاورزی و منابع طبیعی دانشگاه رازی، نصب گردد. بهمنظور تهیه تصاویر، از دوربین عکاسی سونی مدل DSC-WX100 با دقت مؤثر حسگر 18 مگاپیکسل، استفاده شد. برای ارزیابی عملکرد شبکه عصبی پیچشی با معماری AlexNet از پارامترهای دقت متوسط، دقت و یادآوری استفاده و برای ارزیابی عملکرد در شمارش، از منحنی رگرسیون خطی و ضریب تبیین استفاده شد. پارامترهای دقت متوسط (98/0)، دقت (100) و یادآوری (100) نشان از عملکرد بالای شبکه عصبی کانولوشنال در تشخیص شبپره مینوز گوجهفرنگی داشت و همچنین ضریب تبیین (98/0)، بیانگر دقت بالای شبکه در شمارش این آفت بود. بهطور کلی، نتایج نشان داد که شبکه عصبی میتواند راهحلی کاربردی برای تشخیص و شمارش دقیق این آفت روی گوجهفرنگی با استفاده از تصاویر گرفتهشده ارائه کند. | ||
| کلیدواژهها | ||
| شبپره مینوز گوجهفرنگی؛ معماری AlexNet؛ یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| Automatic detection and counting of Tuta absoluta (Myrick) using deep learning technique | ||
| نویسندگان [English] | ||
| Alireza Shabaninejad1؛ Abbas Ali Zamani2؛ Majid Iranpour3؛ Saeed Abbasi4؛ Faranak Ranjbar5 | ||
| 1Department of Plant Protection, College of Agriculture, Razi University | ||
| 2Department of Plant Protection, Faculty of Agriculture, Razi University, Kermanshah | ||
| 3College of Computer Engineering and IT, Payam Noor Mobarakeh University, Isfahan, Iran | ||
| 4Department of Plant Protection, College of Agriculture, Razi University, Kermanshah | ||
| 5Department of Soil Science, College of Agriculture, Razi University, Kermanshah | ||
| چکیده [English] | ||
| The use of modern technologies for detecting and measuring pest population density can be an important step in facilitating the implementation of integrated pest management programs and achieving more precise and effective control. In this study, the deep learning technique and convolutional neural network with AlexNet architecture were used for the automatic detection and counting of the tomato leaf miner, Tuta absoluta (Myrick) (Lepidoptera: Gelechiidae), which is one of the key pests of tomato plants in Iran. To collect images of adult T. absoluta insects, 15 delta traps were installed in two hectares of tomato farms at the Campus of Agricultural and Natural Resources, Razi University. The Sony DSC-WX100 camera with an effective sensor resolution of 18 megapixels was used to capture the images. The performance of the convolutional neural network with the AlexNet architecture was evaluated using the parameters of average accuracy, accuracy, and recall. For counting performance, the linear regression curve and coefficient of determination were used. The average accuracy (98.0), accuracy (100), and recall (100) parameters indicate the high performance of the convolutional neural network in detecting the tomato leaf miner, and the coefficient of determination (0.98) indicates the network's high accuracy in counting this pest. Overall, the results demonstrate that the neural network can provide a practical solution for the accurate detection and counting of this pest on tomato plants using captured images | ||
| کلیدواژهها [English] | ||
| AlexNet architecture, deep learning, tomato leaf miner | ||
| مراجع | ||
|
ASHTARI, S., SABAHI, Q. AND TALEBI JAHROMI, K. H. 2020. Survey of parasitismic effect of two species of Trichogramma on eggs of Tuta absoluta under effect of pesticides. Journal of Vegetables Sciences 4(7): 1-11 (In Farsi). DOI:10.22034/IUVS.2020.125738.1094 DYRMANN, M., KARSTOFT, H., AND MIDTIBY, H. S. 2016. Plant species classification using deep convolutional neural network. Bio systems engineering, 151: 72-80. Doi.org/10.1016/j.biosystemseng.2016.08.024 DURMUŞ, H., GÜNEŞ, E. O., AND KIRCI, M. 2017. Disease detection on the leaves of the tomato plants by using deep learning. Proceedings of the 6th International Conference on Agro-Geoinformatics. Aug. 7-10. Virginia, USA. DOI:10.1109/Agro-Geoinformatics.2017.8047016 FITE, T., TEFERA, T. 2022. Genetic variation and population structure of the old world bollworm helicoverpa armigera (lepidoptera: noctuidae) in Ethiopia. Environmental Entomology 51(4): 859-869. https://doi.org/10.1093/ee/nvac039 FUENTES, A. F., YOON, S., LEE, J. AND PARK, D. S. 2018. High-performance deep neural network-based tomato plant diseases and pests diagnosis system with refinement filter bank. Front Plant Sciences, 9: 1162. Doi: 10.3389/fpls.2018.01162 FUENTES, A., YOON, S., KIM, S. C. AND PARK, D. S. 2017. A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition. Sensors (Basel), 17. DOI: 10.3390/s17092022 KRIZHEVSKY, A., SUTSKEVER, I., AND HINTON, G. E. 2012. Image net classification with deep convolutional neural networks. Advances in neural information processing systems, 25: 1097-1105.https://doi.org/10.1145/3065386 LIU, J. AND WANG, X. 2020. Tomato diseases and pests detection based on improved yolo v3 convolutional neural network. Front Plant Sciences, 11: 898. https://doi.org/10.3389/fpls.2020.00898 MOKHTAR, U., ALI, M. A., HASSENIAN, A. E. and HEFNY, H. 2015. Tomato leaves diseases detection approach based on support vector machines, 11th International Computer Engineering Conference (ICENCO). IEEE, pp. 246-250. DOI: 10.1109/ICENCO.2015.7416356 O'SHEA, K., AND NASH, R. 2015. An introduction to convolutional neural networks. arXiv Preprint arXiv:1511.08458. https://doi.org/10.48550/arXiv.1511.08458 PATTNAIK, G., SHRIVASTAVA, V. K. AND PARVATHI, K. 2020. Transfer learning-based framework for classification of pest in tomato plants. Applied Artificial Intelligence, 34: 981-993. https://doi.org/10.1080/08839514.2020.1792034. POTTING, R., JAN VAN DER GAAG, D., LOOMANS, A., VAN DER STRATEN, M., ANDERSON, H., MACLEOD, A., CASTRILLÓN J. M. G. AND CAMBRA, G. V. 2009. Tuta absoluta, Tomato leaf miner moth or South American tomato moth. Ministry of Agriculture, Nature and Food Quality (LVN) Plant Protection Service of the Netherlands. Accessed on 10/21/10 from: http://www.minlnv.nl/cdlpub/servlet/CDLServlet?p_file_id=42402 REDMON, J., S. DIVVALA, GIRSHICK, R. and A. FARHADI. A. 2016. You only look once: Unified, real-time object detection. Pages 779-788. Proceedings of the IEEE conference on computer vision and pattern recognition. https://doi.org/10.48550/arXiv.1506.02640 REZAEI, M., ASADI, G. AND HOSSEINI, M. 2015. The marginal effects of Datura starmonium L. on the density of key pests of tomato Lycopersicon esculentum Mill. Journal of Weed Ecology, 3: 81-90. REZATOFIGHI, H., N. TSOI, J. GWAK, A. SADEGHIAN, I. REID AND SAVARESE. S. 2019. Generalized intersection over union: A metric and a loss for bounding box regression. Pages 658-666. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. https://doi.org/10.48550/arXiv.1902.09630 SHIN, H. C., ROTH, H. R., GAO, M., LU, L., XU, Z., NOGUES, I., YAO, J., MOLLURA, D., and SUMMERS, R. M. 2016. Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning. IEEE Transactions on Medical Imaging, 35: 1285-1298. DOI: 10.1109/TMI.2016.2528162 SURYAWATI, E., SUSTIKA, R., YUWANA, R.S., SUBEKTI, A. AND PARDEDE, H.F. 2018. Deep structured convolutional neural network for tomato diseases detection. In 2018 international conference on advanced computer science and information systems (ICACSIS) (pp. 385-390). IEEE. DOI:10.1109/ICACSIS.2018.8618169 TRAN, T. T., CHOI, J. W., LE, T. T. AND KIM, J. W. 2019. A comparative study of deep cnn in forecasting and classifying the macronutrient deficiencies on development of tomato plant. Applied Sciences, 9: 1601. https://doi.org/10.3390/app9081601 VERMA, S., CHUG, A. AND SINGH, A. P. 2020. Application of convolutional neural networks for evaluation of disease severity in tomato plant. Journal of Discrete Mathematical Sciences and Cryptography,23:273282. https://doi.org/10.1080/09720529.2020.1721890 WANG, Q., QI, F., SUN, M., QU, J. AND XUE, J. 2019. Identification of tomato disease types and detection of infected areas based on deep convolutional neural networks and object detection techniques. Comput Intell Neurosci, 91:42-53. https://doi.org/10.1155/2019/9142753 ZHENG, Y. Y., KONG, J. L., JIN, X. B., WANG, X. Y., SU, T. L. AND ZUO, M. 2019. CropDeep: The crop vision dataset for deep-learning-based classification and detection in precision agriculture. Sensors, 19: 1058. https://doi.org/10.3390/s19051058 | ||
|
آمار تعداد مشاهده مقاله: 688 تعداد دریافت فایل اصل مقاله: 660 |
||