حسین باقرپور

چکیده: بیماریهای برگی درخت بِه یکی از نگرانی‌های عمده باغداران می‌باشد و شناسایی آنها در پایش درختان ضروری است چرا که زیانهای اقتصادی قابل توجهی وارد می‌کند. از این رو، تشخیص به‌موقع و موثر بیماریهای برگی درختان بِه، نقش مهمی در جلوگیری از این ضرر اقتصادی دارد. بیشتر علائم بیماری این درخت در برگ ظاهر می‌شود و تشخیص آنها نیاز به متخصصان خبره داشته و از طرفی زمانبر بوده و هزینه آزمایشگاهی بالایی دارد. اصلی‌ترین بیماری‌های این محصول شامل آتشک، زخم برگ و سفیدک پودری است. با پیشرفت الگوریتم‌های هوش مصنوعی، شبکه‌های عصبی مختلفی برای طبقه‎بندی معرفی شده‌اند که از مهمترین آنها می‌توان به شبکه‌های عصبی پیچشی (کانولوشنی) اشاره کرد. هدف اصلی این مطالعه بهینه‌سازی و تنظیم پارامترهای اصلی این شبکه‌ها به منظور افزایش دقت تشخیص بیماری‌های برگی درخت بِه می‌باشد. در این مطالعه دو رویکرد برای تشخیص و طبقه‌بندی بیماری‌ها بکار برده شد. در رویکرد اول با استفاده از تصاویر تک‌تک برگ‌های برش داده شده یادگیری و دسته‌بندی انجام شد و در رویکرد دوم مستقیما برگ‌های خام بکار گرفته شد ولی تک تک عارضه های بیماری روی برگ ها برچسب زنی شد. در رویکرد اول از مدل‌های ماشین بردار پشتیبان (SVM)، kنزدیکترین همسایه و مدل شبکه عصبی کانولوشن (CNN) استفاده شد. در مدل CNN نیز از دو الگوریتم یادگیری انتقالی مهم Inception-ResNet-v2 و ResNet-101 و یک الگوریتم بهینه‌شده پیشنهادی برای طبقه‌بندی بیماریها استفاده شد. در رویکرد دوم نیز از الگوریتم YOLOv7 به عنوان الگوریتم تک مرحله ای شناسایی و تشخیص عارضه بیماری در محل استفاده شد. نتایج رویکرد اول نشان داد که مدل شبکه عصبی کانولوشنی که از تکنیک استخراج ویژگی اتوماتیک استفاده می کند، توانایی بیشتری نسبت به تکنیک استخراج ویژگی دستی دارد. به طوریکه برای مدل KNN، مدل SVM و مدل شبکه عصبی کانولوشنی پیشنهادی به ترتیب مقدار دقت برابر با 82، 86 و 91 بدست آمد و از طرفی الگوریتم پیشنهادی CNN توانایی بیشتری نسبت به الگوریتم‌های یادگیری انتقالی داشت. بهینه‌سازی مدل‌ها نشان داد که حذف تصادفی باعث اصلاح دقت بعضی مدل‌ها گردید و بیشترین عملکرد با 64 نورون در لایه مخفی حاصل گردید. با بررسی نتایج کلی، مدل پبشنهادی با چهار لایه پیچشی در بلوک کانولوشنی، یک لایه مخفی در بلوک شبکه عصبی و ضریب دراپ‌اوت 5/0 بیشترین عملکرد را ارایه داد. اما در مقابل در رویکرد دوم مدل YOLOv7 نتایج قابل توجهی ارایه داد. به طوریکه دقت کلی آن 93 درصد بدست آمد و شاخص mAP0.5 برای آن 93 درصد بدست آمد. نتایج کلی این تحقیق نشان داد که هر دو روش CNN پیشنهادی و YOLOv7 از توانایی نسبتا بالایی در تشخیص بیماری های مختلف برگی درخت بِه دارند و می توان از آنها در کارهای عملیاتی بهره برد.

فلفل سیاه، فلفل قرمز و دارچین جزء ادویه­ها و گیاهان دارویی هستند که از لحاظ اقتصادی اهمیت ویژه­ای دارند. از این ادویه­ها معمولاً به عنوان تقویت کننده، طعم­دهنده و نگهدارنده در مواد غذایی و خوراکی مختلف استفاده می­شود.. امروزه بررسی تقلب در مواد غذایی امری ضروری به نظر می­رسد. در حال حاضر بررسی تقلب در آزمایشگاه و به روش های شیمیایی انجام می­پذیرد که کاری خسته­کننده، پرهزینه و نیازمند نیروی انسانی ماهر است. همچنین به واسطه خستگی ذهنی در انجام عمل تکراری جداسازی، روشی غیرمطمئن محسوب می­شود. ماشین بینایی از یکنواختی و دقت کافی در تشخیص برخوردار است و از پرکاربردترین فناوری­های مورد استفاده در صنایع غذایی، کشاورزی نوین و صنعت می باشد. تصویربرداری فراطیفی جدیدترین روش تصویربرداری است که برای ارزیابی سریع و دقیق کیفیت مواد غذایی به کار می رود. هدف از پژوهش حاضر طراحی الگوریتمی برای پردازش و تحلیل تصاویر فراطیفی به منظور تشخیص تقلب در فلفل سیاه، فلفل قرمز، و دارچین است. برای هر ادویه سه ماده تقلبی (آرد گندم، آرد نخود، و کف دریا)، پنج سطح تقلب (0، 5، 15، 30 و 50 درصد) و سه تکرار (در کل 135 نمونه) در نظر گرفته شد. تصاویر فراطیفی نمونه ­ها در آزمایشگاه پردازش تصویر دانشگاه ایلام با استفاده از دوربین تصویربرداری فراطیفی اسکن خطی مدل (Specam) با طول موج 950-400 نانومتر گرفته شد. پس از برش ناحیه وسط تصاویر، طول موج های موثر انتخاب و ویژگی­های مختلفی از تصاویر در آن طول موج­ها استخراج شد. سپس ویژگی کارا انتخاب و به منظور طبقه بندی آن­ها از روش های ماشین بردار پشتیبان و شبکه عصبی مصنوعی استفاده شد. بالاترین دقت طبقه­بندی برای مدل مبتنی بر شبکه عصبی مصنوعی در تشخیص تقلب آرد نخود، کف دریا و آرد گندم در فلفل سیاه حاصل شد (%100). دقت این روش برای تشخیص مواد تقلبی در دارچین به ترتیب برابر با %100، %9/98 و %100 و در فلفل قرمز به ترتیب برابر با %100، %100 و %9/98 بود. دقت طبقه­بندی روش ماشین بردار پشتیبان با راهبرد یکی در برابر یکی در تشخیص آرد نخود، کف دریا و آرد گندم در فلفل سیاه (به ترتیب برابر با %55/95، %88/98 و %88/98) بالاتر از فلفل قرمز (%55/95، %55/95 و %77/97) و آن هم بالاتر از دارچین (به ترتیب برابر %55/95، %56/85 و %66/96) بود. دقت طبقه­بندی توسط روش ماشین بردار پشتیبان با راهبرد یکی در برابر همه در تشخیص مواد تقلبی در فلفل سیاه به ترتیب برابر با %33/93، %11/91 و %100، در دارچین به ترتیب برابر با %88/78، %77/77 و %44/94 و در فلفل قرمز برابر با %88/88 حاصل شد. نتایج تحقیق حاضر نشان داد که الگوریتم طراحی شده به کمک طبقه‎بند مبتنی بر روش شبکه عصبی مصنوعی توانایی بالایی در تشخیص سطوح مختلف مواد تقلبی در ادویه‎های مورد مطالعه را دارد.

برداشت سنتی گل محمدی با دست، با چالش‌های فراوانی روبرو است که از میان آن‌ها، وجود خارهای زیاد بر روی ساقه گیاه، برداشت این محصول را به پرزحمت‌ترین بخش صنایع مرتبط تبدل نموده است. راه حل برون رفت از این مشکل، مکانیزه کردن برداشت این گل می‌باشد. از آنجائیکه در مزرعه واقعی علاوه بر زیاد بودن تعداد گل‌ها، شرایط محیطی نیز متغیر است، بهره‌گیری از الگوریتم‌های متداول که به تغییرات شرایط محیطی حساس هستند، برای تشخیص بی‌درنگ این محصول مناسب نیست. لذا برای مکانیزه کردن برداشت این محصول، لازم است سیستمی طراحی شود که علاوه بر دقت بالا،‌ سرعت مناسبی هم داشته باشد و به شرایط محیطی نیز حساس نباشد. از این رو در این مطالعه دو هدف دنبال گردید. هدف اول توسعه الگوریتم لایه عمیق YOLO است که بر اساس شبکه کانولوشنی، تشخیص و مکان‌یابی گل‌های شکفته را انجام می‌دهد و هدف دوم ساخت و ارزیابی ربات برداشت این محصول است که بر اساس مکانیزم حرکت خطی مستقل در سه جهت عملیات برداشت را انجام می‌دهد. بنابراین در این مطالعه عملکرد سه نسخه‌ی سبک و سریع مدل YOLO یعنی v8s، v6s و v5s در شناسایی گل‌های محمدی شکفته درشرایط نور عادی مورد ارزیابی قرار گرفت و با عملکرد مدل Faster-RCNN مقایسه گردید. نتایج نشان داد که مدل یادگیری YOLO v8s توانایی بالاتری نسبت به روش‌های دیگر دارد. در مقایسه عملکرد YOLO v8s نسبت به مدل‌های YOLO v5s، YOLO v6s و Faster-RCNN ، مقدار شاخص mAP0.5 و سرعت تشخیص به ترتیب 3/0، 1/6، و 6 درصد و 3/169، 6/198 و 3/231 فریم در ثانیه بیشتر بود. آموزش و ارزیابی این مدل روی تصاویر با نور شدید، موجب کاهش 9/4 درصدی در mAP0.5 و 8/5 فریم در ثانیه‌ای سرعت تشخیص مدل گردید که نشان‌دهنده اثر مخرب نور محیط بر روی عملکرد مدل می‌باشد. با وجود این‌که آموزش و ارزیابی مدل با تمام تصاویر، مقدار 9/95 درصدی mAP0.5 را نتیجه داد اما تنزل سرعت تشخیص به 4/24 فریم در ثانیه الزامات کاربردهای بی‌درنگ را تامین نکرد. بنابراین به منظور رفع این مشکل و غلبه بر محدودیت‌های سخت‌افزاری مزرعه، از میان اندازه‌های مختلف آخرین نسخه YOLO، مدل کوچک و سبک YOLO v9t به عنوان مدل دانش‌آموز انتخاب شد و با انتخاب مدل بزرگ‌تر YOLO v9c به عنوان معلم و بهره‌گیری از روش تقطیر دانش مبتنی بر پاسخ با دو رویکرد آموزشی مجزا برون خط و بر خط به آموزش آن پرداخته شد و مورد ارزیابی قرار گرفت. نتایج کلی نشان داد که روش تقطیر دانش مبتنی بر پاسخ به ویژه رویکرد برون خط ضمن حفظ اندازه مدل پایه، موجب افزایش تمام شاخص‌های ارزیابی می‌گردند و در تعدادی از پارامترها عملکرد بهتری نسبت به مدل معلم داشتند. در گام آخر نمونه اولیه ربات برداشت گل محمدی طراحی و ساخته شد و با استفاده از این مدل به صورت آزمایشگاهی مورد تست و ارزیابی واقع شد. نتایج نشان داد که این ربات با عملکرد خوب خود می-تواند به ترتیب با مقدار نرخ 4/97 % و 07/80% گل‌ها را شناسایی و برداشت نماید. همچنین میانگین زمان برداشت برای هرگل 65/48 ثانیه بود که 41% این زمان صرف حرکت واحد چیدن گل به سمت گل می‌گردد.