| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شماره‌ها | 3,262 |
| تعداد مقالات | 36,057 |
| تعداد مشاهده مقاله | 55,174,595 |
| تعداد دریافت فایل اصل مقاله | 94,173,041 |
تحلیل روش‌های یادگیری انتقالی در بهینه‌سازی تشخیص بیماری‌های درخت سیب | ||
| علوم و فناوری اطلاعات و هوشمندسازی کشاورزی | ||
| دوره 7، شماره 1 - شماره پیاپی 13، فروردین 1403، صفحه 23-33 اصل مقاله (597.27 K) | ||
| نوع مقاله: مقاله ترویجی | ||
| شناسه دیجیتال (DOI): 10.22092/jaist.2024.364053.1105 | ||
| نویسندگان | ||
| محمد روستائی* 1؛ محسن نوروزی2 | ||
| 1گروه هوش مصنوعی، دانشکده دانش و هوش شناختی، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 2دانشکده کامپیوتر، شبکه و ارتباطات، دانشگاه جامع امام حسین(ع)، تهران، ایران | ||
| چکیده | ||
| تشخیص صحیح بیماری‌های برگ سیب برای جلوگیری از کاهش عملکرد کمّی و کیفی محصول ضروری است. با پیشرفت روش‌های یادگیری عمیق، تشخیص این بیماری‌ها بهبود می‌یابد اما محدودیت‌های داده‌ای مانعی جدی هستند. این پژوهش مدل‌های یادگیری عمیق پیش‌آموزش‌دیده را با تنظیمات دقیق ارزیابی می‌کند و نشان می‌دهد که حتی با داده‌های محدود، دقت بالایی در تشخیص بیماری‌ها امکان‌پذیر است. مدل‌های انتخابی عملکرد بهتری نسبت به روش‌های مرسوم دارند و یادگیری انتقالی را به عنوان استراتژی مؤثری در مقابله با داده‌های محدود و تنوع بیماری‌ها معرفی می‌کنند. این مدل‌ها به کشاورزان و متخصصان باغبانی کمک می‌کند تا با سرعت و کارایی بیشتری بیماری‌های برگ سیب را شناسایی و مدیریت کنند. همچنین این مدل‌ها علاوه بر کشاورزان برای مشاوران کشاورزی، دانشجویان علوم کشاورزی و پژوهشگران فعال در این زمینه نیز قابل استفاده است. علاوه بر این، این روش‌ها قابل انطباق با سایر بیماری‌ها و گیاهان هستند و وعده‌ای برای پیشرفت در سیستم‌های تشخیص بیماری‌های گیاهی در آینده هستند. مطالعه حاضر می‌تواند در بهینه‌سازی و اتوماسیون فرآیندهای باغبانی انقلابی ایجاد کند و به تحول در مدیریت بیماری‌های گیاهی منجر شود. | ||
| کلیدواژه‌ها | ||
| تشخیص بیماری‌های گیاه؛ طبقه‌بندی؛ کشاورزی هوشمند؛ یادگیری انتقالی؛ یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| Analysis of Transfer Learning Methods in Optimizing Apple Tree Disease Detection | ||
| نویسندگان [English] | ||
| Mohammad Roustaei1؛ Mohsen Norouzi2 | ||
| 1Department of Artificial Intelligence, Faculty and Research Institute of Artificial Intelligence and Cognitive Sciences, Imam Hossein University (AS), Tehran, Iran | ||
| 2Faculty of Computer, Network and Communication, Imam Hossein University (AS), Tehran, Iran | ||
| چکیده [English] | ||
| Accurate detection of apple leaf diseases is essential to prevent the reduction in both the quantity and quality of crop yield. With advancements in deep learning methods, the diagnosis of these diseases is improving, but data limitations remain a significant barrier. This research evaluates pretrained deep learning models with precise settings and demonstrates that high accuracy in disease detection is possible even with limited data. The selected models perform better than conventional methods and introduce transfer learning as an effective strategy to combat limited data and the diversity of diseases. These models aid farmers and horticulture specialists in identifying and managing apple leaf diseases more efficiently and rapidly. Additionally, these models are not only beneficial for farmers but also for agricultural consultants, students of agricultural sciences, and researchers in this field. Moreover, these methods are adaptable to other diseases and plants, promising advancements in plant disease detection systems in the future. The present study has the potential to revolutionize horticultural processes through optimization and automation, leading to a transformation in plant disease management. | ||
| کلیدواژه‌ها [English] | ||
| Plant Disease Detection, Classification, Smart Agriculture, Transfer Learning, Deep Learning | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 796 تعداد دریافت فایل اصل مقاله: 449 |
||