2

fa روشی جدید برای تبدیل طبقه‌بندی بیماری‌های گیاهی با استفاده از موجک A New Method for Transforming Classifying Plant Diseases Using Wavelet عمومى General پژوهشي Research 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. Rapid detection of plant diseases has always been an important challenge for the agricultural industry. One of the approaches that has been welcomed in this field is the use of image processing methods. The advantage of these methods is that they are automatic, fast, low cost, non-destructive and accurate. In this study, by processing the leaves of plants and agricultural products, while distinguishing healthy plants from unhealthy ones, their type of disease is automatically detected. To do this, deep learning methods based on several different architectures of Convolutional neural networks have been used. The proposed method in this research can be generalized to different plants and products as well as to several plants simultaneously. Designed networks are represented and evaluated using two different subsets of database dataset images. In this research, the proposed method algorithm was expressed. In general, a classification model was created from the patient's leaf by means of a wavelet transform to diagnose the type of plant and the disease of that leaf. In this dissertation, using transfer learning (transfer of learning in neural networks means a slight change of a deeply trained network to solve problem A so that without the need for re-training the whole network can be used to solve a completely different problem B) We compared the performance of ResNet50, GoogleNet, AlexNet networks and a deep network with a simple design and selected the best performance model among them for our work. Deep learning is a fast and evolving knowledge that has many implications for agricultural imaging. Machine learning algorithms, such as SVM backup vector devices, are often used for detection and classification. But they are often limited to the assumptions made when defining features.   تبدیل موجک, الگوریتم های AlexNet, GoogleNet, ResNet50, یادگیری عمیق Wavelet, Algorithm, AlexNet, GoogleNet, ResNet50, Deep Learning 41 49 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-1-1&slc_lang=fa&sid=1 Ali Karimi علی کریمی 100319475328460037 100319475328460037 Yes موسسه آموزش عالی گنجنامه Vahideh Naderifar وحیده نادری فر 100319475328460038 100319475328460038 No دانشگاه آزاد اسلامی همدان