علیرضا شعبانی نژاد؛ عباسعلی زمانی؛ مجید ایرانپور مبارکه؛ سعید عباسی؛ فرانک رنجبر
چکیده
تشخیص و شمارش دقیق آفات، اهمیت زیادی در برنامههای مدیریت کنترل آفات دارد و روشهای معمول شناسایی و شمارش آفات روی گیاهان میزبان، پرهزینه و زمانبر و در عین حال دارای خطاهای انسانی غیر قابل کنترل است. ...
بیشتر
تشخیص و شمارش دقیق آفات، اهمیت زیادی در برنامههای مدیریت کنترل آفات دارد و روشهای معمول شناسایی و شمارش آفات روی گیاهان میزبان، پرهزینه و زمانبر و در عین حال دارای خطاهای انسانی غیر قابل کنترل است. استفاده از فناوریهای نوین برای تشخیص و اندازهگیری تراکم جمعیت آفات، میتواند گام مهمی برای تسهیل در اجرای برنامههای مدیریت تلفیقی آفات و کنترل دقیقتر و موثرتر 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 گردید. به منظور تهیه تصاویر، از دوربین عکاسی سونی مدل DSC-WX100 با دقت موثر 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. به طور 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.