تشخیص سریع بیماری های گیاهی همواره چالشی مهم برای صنعت کشاورزی بوده است. یکی از رویکردهایی که در این زمینه مورد استقبال قرار گرفته استفاده از روش های پردازش تصویر است. مزیت این روش ها این است که خودکار، سریع، کم هزینه، غیر مخرب و دقیق هستند. در این تحقیق با فرآوری برگ گیاهان و محصولات کشاورزی ضمن تشخیص گیاهان سالم از گیاهان ناسالم، به طور خودکار نوع بیماری آنها شناسایی می شود. برای این کار از روش های یادگیری عمیق مبتنی بر چندین معماری مختلف شبکه های عصبی Convolutional استفاده شده است. روش پیشنهادی در این تحقیق را می توان به گیاهان و محصولات مختلف و همچنین به چندین گیاه به طور همزمان تعمیم داد. شبکه های طراحی شده با استفاده از دو زیرمجموعه مختلف از تصاویر مجموعه داده پایگاه داده نمایش و ارزیابی می شوند. در این تحقیق الگوریتم روش پیشنهادی بیان شد. به طور کلی یک مدل طبقه بندی از برگ بیمار با استفاده از تبدیل موجک برای تشخیص نوع گیاه و بیماری آن برگ ایجاد شد. در این پایان نامه با استفاده از یادگیری انتقالی (انتقال یادگیری در شبکه های عصبی به معنای تغییر جزئی یک شبکه عمیقا آموزش دیده برای حل مسئله A است به طوری که بدون نیاز به آموزش مجدد می توان از کل شبکه برای حل یک مسئله کاملاً متفاوت B استفاده کرد) ما عملکرد شبکه های ResNet50، GoogleNet، AlexNet و یک شبکه عمیق را با طراحی ساده مقایسه کردیم و بهترین مدل عملکرد را از بین آنها برای کار خود انتخاب کردیم. یادگیری عمیق دانشی سریع و در حال تکامل است که پیامدهای زیادی برای تصویربرداری کشاورزی دارد. الگوریتم‌های یادگیری ماشین، مانند دستگاه‌های بردار پشتیبان SVM، اغلب برای شناسایی و طبقه‌بندی استفاده می‌شوند. اما آنها اغلب به مفروضاتی که هنگام تعریف ویژگی‌ها بیان می‌شوند، محدود می‌شوند.
