| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,219 |
| تعداد مقالات | 35,690 |
| تعداد مشاهده مقاله | 53,562,609 |
| تعداد دریافت فایل اصل مقاله | 92,842,846 |
طراحی و پیادهسازی سامانه هوشمند تحت وب برای تشخیص بیماریهای برگ کیوی مبتنی بر یادگیری عمیق | |||
| تحقیقات سامانهها و مکانیزاسیون کشاورزی | |||
| دوره 25، شماره 91، دی 1403، صفحه 87-104 اصل مقاله (1.59 M) | |||
| نوع مقاله: مقاله پژوهشی | |||
| شناسه دیجیتال (DOI): 10.22092/amsr.2026.372416.1534 | |||
| نویسندگان | |||
| امیرحسین حسینی خطبه سرا1؛ مهدی صادق زاده* 2 | |||
| 1دانشآموخته کارشناسی ارشد مهندسی کامپیوتر (گرایش نرمافزار)، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. | |||
| 2دانشیار، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. | |||
| چکیده | |||
| در این پژوهش، یک سامانه هوشمند تحت وب برای تشخیص بیماریهای برگ درخت کیوی از طریق تحلیل تصاویر آن ارائه شده است. سامانه پیشنهادی میتواند این چهار وضعیت برگ را شناسایی کند: سالم بودن برگ، آلوده بودن ریشه کیوی به نماتد، آلوده بودن برگ به آلترناریا و آلوده بودن برگ به فیتوفتورا. ارزیابی سامانه با استفاده از مجموعه داده مرجع AgriVision-Kiwi انجام شد که در مطالعات پیشین برای تشخیص بیماریهای برگ کیوی استفاده شده است. در گام نخست، برای آشکارسازی ناحیه برگها از الگوریتم You Only Look Once نسخه ۱۱ (YOLOv11) استفاده شد. پس از آن، بیماری با بهرهگیری از معماری یادگیری عمیق MobileNet-V3 تشخیص داده شد. سامانه با استفاده از زبان پایتون و چارچوب FastAPI توسعه یافته و مدیریت دادهها از طریق پایگاه داده MySQL صورت گرفته است. نتایج ارزیابی سامانه پیشنهادی روی مجموعه داده AgriVision-Kiwi با استفاده از اعتبارسنجی متقاطع 10 بخشی نشان داد که مقدار صحت کلی برابر با 703/99 درصد، دقت میانگین ماکرو برابر با 712/99 درصد، حساسیت میانگین ماکرو برابر با 703/99 درصد و معیار F1 میانگین ماکرو برابر با 703/99 درصد است. این نتایج بیانگر توانایی سامانه در شناسایی چهار وضعیت برگ است: سالم بودن برگ، آلوده بودن ریشه کیوی به نماتد، آلوده بودن برگ آلترناریا و آلوده بودن برگ فیتوفتورا. یافتهها همچنین نشان میدهند که سامانه پیشنهادی ظرفیت مناسبی برای کاربرد در محیطهای واقعی باغ های کیوی دارد. علاوه بر این، ماهیت تحت وب سامانه موجب افزایش دسترسپذیری برای کاربران شده و امکان استفاده در شرایط واقعی باغ بدون نیاز به تجهیزات پیچیده را فراهم میکند. | |||
| کلیدواژهها | |||
| بینایی ماشین؛ شبکههای عصبی کانولوشنی؛ طبقهبندی ریزدانه؛ فنوتیپبرداری | |||
| عنوان مقاله [English] | |||
| Design and Implementation of a Web-Based Intelligent System for Kiwifruit Leaf Disease Detection Using Deep Learning | |||
| نویسندگان [English] | |||
| Amirhossein Hoseini Khotbeh Sara1؛ Mehdi Sadeghzadeh2 | |||
| 1Master's Graduate in Computer Engineering, Islamic Azad University, Science and Research Branch, Tehran, Iran. | |||
| 2Associate Professor, Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran. | |||
| چکیده [English] | |||
| In this study, an intelligent web-based system is presented for diagnosing kiwifruit leaf diseases through image analysis. The proposed system is capable of identifying four conditions: healthy leaves, kiwifruit root infection caused by nematodes, Alternaria leaf infection, and Phytophthora leaf infection. The system was evaluated using the AgriVision-Kiwi benchmark dataset, which has been employed in previous studies on kiwifruit leaf disease diagnosis. In the first stage, the You Only Look Once version 11 (YOLOv11) algorithm was used to detect and localize leaf regions. Subsequently, the detected leaves were classified using the MobileNet-V3 deep learning architecture. The system was developed in Python using the FastAPI framework, while data management was implemented through a MySQL database. The evaluation results obtained on the AgriVision-Kiwi dataset using 10-fold cross-validation demonstrated an overall accuracy of 99. 703%, a macro-averaged precision of 99. 7119%, a macro-averaged recall of 99. 703%, and a macro-averaged F1-score of 99. 703%. These results demonstrate the system’s effectiveness in distinguishing among the four target conditions: healthy leaves, kiwifruit root infection caused by nematodes, Alternaria leaf infection, and Phytophthora leaf infection. The findings further indicate that the proposed system has considerable potential for application under real-world conditions in kiwifruit orchards. Moreover, the web-based nature of the system enhances its accessibility and enables users to employ it directly in orchard environments without requiring complex or specialized equipment. | |||
| کلیدواژهها [English] | |||
| Kiwifruit Leaf Disease Detection, Deep Learning, Convolutional Neural Network, Web-Based Intelligent System, Computer Vision | |||
| مراجع | |||
|
Anon. (2024). Report on area, production, and yield of kiwi fruit by province (Table 50-1-3). Ministry of Agriculture Jihad, Iran. (in Persian) Aydınlı, G., & Mennan, S, (2022). Prevalence of root-knot nematodes and their effects on fruit yield in kiwifruit orchards in Samsun Province (Türkiye). Turkish Journal of Entomology, 46(2), 187-197. https://doi.org/10.16970/entoted.1092654. Banihashemian, S. N., Jamali, S., Golmohammadi, M., & Ghasemnezhad, M. (2022). Isolation and identification of endophytic bacteria associated with kiwifruit and their biocontrol potential against Meloidogyne incognita. Egyptian Journal of Biological Pest Control, 32(1), 111. https://doi.org/ 10.1186/s41938-022-00601-y. Bansal, A., Sharma, R., Sharma, V., Jain, A. K., & Kukreja, V. (2023). An automated approach for accurate detection and classification of kiwi powdery mildew disease. Proceedings of the 2023 IEEE 8th International Conference for Convergence in Technology (I2CT). April. 7. Lonavla, India. http://doi: 10. 1109/I2CT57861. 2023. 10126126.
Bi, X., Hieno, A., Otsubo, K., Kageyama, K., Liu, G., & Li, M. A. (2019). Multiplex PCR assay for three pathogenic phytophthora species related to kiwifruit diseases in China. Journal of General Plant Pathology, 85, 12-22. https://doi.org/10.1007/s10327-018-0822-3. Coello Coello, C. A., Pulido, G. T., & Lechuga, M. S. (2004). Handling multiple objectives with particle swarm optimization. IEEE Transactions on Evolutionary Computation, 8(3), 256-279. https://doi.org/ 10.1109/TEVC.2004.826067. El-Borai, F. E., & Duncan, L. W. (2005). Nematode parasites of subtropical and tropical fruit tree crops. In M. Luc, M., Sikora, R. A., and Bridge, J. (Eds) Plant parasitic nematodes in subtropical and tropical agriculture, CABI Pub. Wallingford, UK. https://doi.org/10.1079/9780851997278.0467. Filippone, M., Camastra, F., Masulli, F., & Rovetta, S. A. (2008). Survey of kernel and spectral methods for clustering. Pattern Recognit, 41, 176-190. doi:https://doi.org/10.1016/j.patcog.2007.05.018. Govender, P., & Sivakumar, V. (2020). Application of k-means and hierarchical clustering techniques for analysis of air pollution: A review (1980-2019). Atmospheric Pollution Research (APR), 11, 40-56. https://doi.org/10.1016/j.apr.2019.09.009. Gonçalves, A. R., Conceição, I. L., Carvalho, R. P., & Costa, S. R. (2025). Meloidogyne hapla dominates plant‐parasitic nematode communities associated with kiwifruit orchards in Portugal. Plant Pathology, 74(1), 171-179. https://doi.org/10.1111/ppa.14005. Hosny, K. M., El-Hady, W. M., Samy, F. M., Vrochidou, E., & Papakostas, G. A. (2023). Multi-class classification of plant leaf diseases using feature fusion of deep convolutional neural network and local binary pattern. IEEE Access, 11, 62307-62317. https://doi.org/10.1109/ACCESS.2023.3286730.
Huang, K., Tang, J., Zou, Y., Sun, X., Lan, J., Wang, W., Xu, P., Wu, X., Ma, R., Wang, Q., Wang, Z., & Liu, J. (2021). Whole genome sequence of alternaria alternata, the causal agent of black spot of kiwifruit. Frontiers in Microbiology, 12, 713462. https://doi.org/10.3389/fmicb.2021.713462. Kalampokas, T., Vrochidou, E., Mavridou, E., Iliadis, L., Voglitsis, D., Michalopoulou, M., Broufas, G., & Papakostas, G. A. (2025). Empowering kiwifruit cultivation with AI: Leaf disease recognition using agrivision-kiwi open dataset. Electronics, 14(9), 1705. https://doi.org/10.3390/electronics14091705. Khanam, R., & Hussain, M. (2024). YOLOv11: An overview of the key architectural enhancements. arXiv. https://arxiv.org/abs/2410.17725. Liu, J., & Wang, X. (2021). Diseases and pests detection based on deep learning: A Review. Plant Methods, 17, 22. https://doi. org/10.1186/s13007-021-00722-9. Mridha, K., Ranpariya, A., Kumbhani, S., Ghosh, A., & Shaw, R. N. (2021). Plant disease detection using web application by neural network. Proceedings of the 2021 IEEE 6th International Conference on Computing, Communication and Automation (ICCCA). Dec. 17-19, Arad, Romania. https://doi.org/10.1109/ICCCA52192.2021.9666354. Shakya, S. (2020). Analysis of artificial intelligence based image classification techniques. Journal of Innovative Image Processing (JIIP), 2(01), 44-54. https://doi.org/10.36548/jiip.2020.1.005. Tao, Y., Xu, C., Yuan, C., Wang, H., Lin, B., Zhuo, K., & Liao, J. (2017). Meloidogyne aberrans sp. nov.(Nematoda: Meloidogynidae), a new root-knot nematode parasitizing kiwifruit in China. PloS one, 12(8), e0182627. https://doi.org/10.1371/journal.pone.0182627. Wu, Z., Li, X., Chung, K. L., & Chen, J. (2025). AI-powered identification of corn leaf diseases and pests: A flask-based web application for enhanced agricultural decision-making. In 2025 8th World Conference
on Computing and Communication Technologies (WCCCT). April, 11-13, Shenzhen, China. https://doi.org/10.1109/WCCCT65447.2025.11027989. Yao, J., Wang, Y., Xiang, Y., Yang, J., Zhu, Y., Li, X., Li, S., Zhang, J., & Gong, G. (2022). Two-stage detection algorithm for kiwifruit leaf diseases based on deep learning. Plants, 11(6), 768. https://doi.org/10.3390/plants11060768. Zhu, Y., Xu, J., Wang, J., Yang, R., Chen, W., Yao, K., Ma, M., Chen, Q., Fan, Z., Wu, C., Hu, R., & | |||
|
آمار تعداد مشاهده مقاله: 133 تعداد دریافت فایل اصل مقاله: 3 |
|||