کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6539800 1421103 2018 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Deep learning models for plant disease detection and diagnosis
ترجمه فارسی عنوان
مدل یادگیری عمیق برای تشخیص و تشخیص بیماری های گیاهی
کلمات کلیدی
شبکه های عصبی انعقادی، فراگیری ماشین، هوش مصنوعی، شناسایی بیماری های گیاهی، تشخیص الگو،
ترجمه چکیده
در این مقاله، مدل شبکه های عصبی کانولوشه ای برای تشخیص و تشخیص بیماری های گیاهی بوجود آمده است که با استفاده از روش های آموزشی عمیق با استفاده از تصاویر ساده برگ ها از گیاهان سالم و بیمار ایجاد می شود. آموزش مدل ها با استفاده از یک پایگاه داده باز 87،848 تصویر، شامل 25 گیاه متفاوت در مجموعه ای از 58 کلاس متمایز از ترکیبات گیاهی، بیماری، شامل گیاهان سالم، انجام شد. چندین معماری مدل آموزش دیده بودند، با بهترین عملکرد با موفقیت 99.53٪ موفقیت در شناسایی ترکیب [گیاه، بیماری] (یا گیاه سالم). میزان موفقیت به میزان قابل توجهی بالا باعث می شود که این مدل ابزار مشاوره ای بسیار مفید یا ابزار هشدار دهنده باشد و روشی که بتواند برای حمایت از سیستم شناسایی بیماری های گیاهی یکپارچه برای کار در شرایط واقعی کشت گسترش یابد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
مدل یادگیری عمیق برای تشخیص و تشخیص بیماری های گیاهی
چکیده انگلیسی
In this paper, convolutional neural network models were developed to perform plant disease detection and diagnosis using simple leaves images of healthy and diseased plants, through deep learning methodologies. Training of the models was performed with the use of an open database of 87,848 images, containing 25 different plants in a set of 58 distinct classes of [plant, disease] combinations, including healthy plants. Several model architectures were trained, with the best performance reaching a 99.53% success rate in identifying the corresponding [plant, disease] combination (or healthy plant). The significantly high success rate makes the model a very useful advisory or early warning tool, and an approach that could be further expanded to support an integrated plant disease identification system to operate in real cultivation conditions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers and Electronics in Agriculture - Volume 145, February 2018, Pages 311-318
نویسندگان
,