1:41 ص
رسائل و أطاريج جامعية -
وقاية النبات
التعليم الآلي لإكتشاف أمراض النبات : أمراض أشجار النخيل
يعد الكشف الدقيق عن حدوث أمراض المحاصيل في مرحلة مبكرة أمرًا ضروريًا
لجودة وإنتاجية المحاصيل من خلال تحديد العلاجات المناسبة. ومع ذلك، فإن
الكشف عن المرض يحتاج إلى معرفة متخصصة وخبرات طويلة الأمد في أمراض النبات.
وبالتالي، فإن النظام الآلي للكشف عن الأمراض في المحاصيل سوف يلعب دورا هاما
في الزراعة من خلال بناء نظام الكشف المبكر عن الأمراض. لتطوير هذا النظام،
تم بناء نموذج تدريجي للكشف عن الأمراض باستخدام صور لأزواج النباتات المريضة
والصحية وخوارزمية CNN التي تتكون من خمسة نماذج مدربة مسبقًا.
يتكون نموذج اكتشاف الأمراض من نماذج تصنيف من ثلاث خطوات، تصنيف المحاصيل،
اكتشاف الأمراض، وتصنيف الأمراض. تتم إضافة "المجهول" إلى فئات لتعميم
النموذج للتطبيق على نطاق واسع. في اختبار التحقق من الصحة، قام نموذج الكشف
عن الأمراض بتصنيف المحاصيل وأنواع الأمراض بدقة عالية (97.09%). تم تحسين
الدقة المنخفضة للمحاصيل غير النموذجية عن طريق إضافة هذه المحاصيل إلى
مجموعة بيانات التدريب التي تشير إلى قابلية النموذج للاستهلاك. يتمتع
نموذجنا بالقدرة على التطبيق على الزراعة الذكية لمحاصيل الباذنجانيات وسيتم
استخدامه على نطاق واسع عن طريق إضافة المزيد من المحاصيل المتنوعة كمجموعة
بيانات تدريبية.
تعتبر إدارة أمراض المحاصيل مهمة في الزراعة لزيادة الإنتاجية والجودة عن
طريق تقليل الأضرار الاقتصادية والجمالية التي تسببها أمراض النباتات. على
الرغم من أن الأبحاث حول الأسباب والعلاجات الفعالة لأمراض المحاصيل جارية
بنشاط، فإن مراقبة صحة النبات والكشف المبكر عن مسببات الأمراض أمر بالغ
الأهمية للحد من انتشار الأمراض وتسهيل الإدارة الفعالة. إن اكتشاف
المحاصيل وحمايتها من مسببات الأمراض يتطلب عمالة كثيفة ويستغرق وقتًا
طويلاً، مما يجعل من المستحيل عمليًا على البشر تحليل كل نبات. ولذلك، تم
إجراء بحث حول الجمع بين التقنيات الجديدة وتطبيقها للكشف عن الأمراض
بكفاءة، ومؤخرًا، يجري البحث حول اكتشاف أمراض النبات في الأوراق باستخدام
الذكاء الاصطناعي (AI).
قد يؤدي التطوير المستمر لنماذج التصنيف المحسنة، مثل اكتشاف الأمراض، أو
مراقبة صحة النبات، إلى تمكين أنظمة صنع القرار المدعومة بالذكاء الاصطناعي
للزراعة الذكية. تم إجراء دراسات مختلفة لتطبيق خوارزميات التعلم العميق
بشكل أكثر دقة للكشف عن الأمراض، مثل تطبيق البنى المطورة حديثًا، والكشف
التلقائي عن الآفات وتصنيفها في الصور النباتية، أو إجراء بحث حول طرق
المعالجة المسبقة للصور غير المكتملة للاستخدام العملي.
الشبكة العصبية الاصطناعية (ANN) هي تقنية ذكاء اصطناعي ذات نظام تحليلي
مستوحى من الجهاز العصبي للدماغ البشري الذي يحاكي الطريقة التي يعالج بها
الدماغ المعلومات9. تحتوي ANN على وحدة معالجة ثلاثية المكونات تتكون من
طبقات الإدخال والمخفية والإخراج10. ترتبط عقد الطبقات الفردية بعقد
الطبقات المجاورة. الشبكة العصبية التلافيفية (CNN) هي طريقة متخصصة للتعرف
على الصور أو تعيينها وتتكون من طبقات متصلة بالكامل وطبقات تلافيفية
متعددة وطبقات تجميعية11. يتم ترتيب ثلاثة أنواع من الطبقات وتوصيلها بشكل
مختلف اعتمادًا على بنيات النموذج ويتأثر أداء النموذج بهذه البنية.
AlexNet13، وVGG1914، وGoogLeNet15، وResNet16، وEfficientNet17 هي نماذج
CNN مدربة مسبقًا تم إنشاؤها عن طريق تغيير عدد أو تكوين أو ترتيب أو طريقة
الحساب لثلاثة أنواع من الطبقات، وتحتل مرتبة عالية في المنافسة، تحدي
التعرف البصري على نطاق واسع ImageNet (ILSVRC) )18.
هذه هي نماذج CNN المدربة مسبقًا والتي تم تأكيد أدائها. ركز تطوير بنية
CNN على تحسين الدقة والكفاءة. ومع ذلك، كل بنية لها خصائصها الفريدة
والبنى المناسبة مطلوبة لمجموعات البيانات الفردية. في الآونة الأخيرة، تم
استخدام خوارزميات CNN لتطوير أدوات أو برامج مختلفة للكشف عن الأهداف أو
تعيينها في مختلف المجالات. على وجه الخصوص، تم تفضيل اكتشاف أمراض
النباتات باستخدام خوارزميات CNN بدلاً من خوارزميات التعلم العميق
الأخرى....
-------------------
تنزيل الكتاب :
ليست هناك تعليقات: