استفاده از هوش مصنوعی عمیق برای ردیابی خودکار بیماری زنگ جارویی زرشک: مطالعه موردی، شهرستان قاین، استان خراسان جنوبی، ایران
پذیرفته شده برای پوستر
کد مقاله : 1093-25IPPC
نویسندگان
1مدیریت حفظ نباتات، سازمان جهاد کشاورزی خراسان جنوبی، بیرجند، ایران
2- گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بزرگمهر قاینات، قاین، ایران
3گروه مهندسی برق و کامپیوتر، دانشکده مهندسی، دانشگاه گناباد، گناباد، ایران
4گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بزرگمهر قاینات، قاین، ایران
چکیده
زرشک یکی از محصولات استراتژیک و صادراتی مهم ایران است و بیش از نود و هشت درصد زرشک بیدانه کشور، در استان خراسان جنوبی تولید میشود. حدود چهل هزار خانوار در این استان به طور مستقیم و غیرمستقیم از محل تولید و فروش این محصول امرارمعاش میکنند. زنگ جاروی جادوگر زرشک با عامل قارچی Puccinia arrhenatheri، مهمترین و مخربترین بیماری درختچههای زرشک بیدانه در استان خراسان جنوبی است. این بیماری، نزدیک به دو دهه است که در باغهای زرشک استان شیوع پیدا کرده است. در چند سال اخیر، باتوجهبه تغییرات آبوهوایی و خشکسالیهای متوالی در این استان، سطح گسترش بیماری افزایشیافته است؛ بهطوریکه هرساله مناطق جدیدی از استان، آلوده به این بیماری گزارش میشود. با پیشرفت روزافزون فناوریهای جدید، روشهای تشخیص بیماریهای گیاهی از روشهای مرسوم، به روشهای پیچیدهتر مانند یادگیری عمیق و ماشینی توسعه یافته است. در سال 2016، محققینی در دانشگاه بن آلمان، یکی از اولین روشهای ردیابی بیماریهای گیاهی را که مبتنی بر یادگیری عمیق بود پیشنهاد کردند. آنها، شبکههای عصبی پیچشی (CNNs) را برای ایجاد یک مدل یادگیری عمیق که قادر بود تصاویر برگهای سالم را از بیمار با صحت بیش از 99% تشخیص دهد توسعه دادند. شناسایی بهموقع بیماری زنگ جارویی زرشک، نقش مهمی در مدیریت و تصمیمگیری برای اجرای یک روش مدیریت تلفیقی بیماری برای حفظ عملکرد کمی و کیفی این محصول ارزشمند دارد. در باغهای زرشک دارای سابقه آلودگی به این بیماری، جوانههای درختچههای آلوده زودتر از سایر درختچهها متورم میشوند. با توجه به اینکه روشهای مرسوم شناسایی بیماریهای گیاهی باعث تخریب گیاه شده، محدودیت دسترسی به افراد متخصص داشته و از صحت کمتری در ردیابی برخوردار هستند، برای مقابله با چنین مسایلی طراحی روشهای خودکار که بتوانند در کمترین زمان و با بالاترین صحت، بیماری را شناسایی و دستهبندی کنند ضروری است. در این مطالعه، با هدف ردیابی بیماری زنگ جارویی زرشک در کمترین زمان ممکن و با بالاترین صحت، روش جدید ردیابی خودکار هوش مصنوعی بهینهساز یکسان گرادیان نزولی تعمیمیافته مبتنی بر شبکههای عصبی عمیق پیچشی طراحی و اجرا شد. برای اجرای این روش، با استفاده از دوربین تلفن هوشمند، تصاویر با کیفیت بالا از برگهای آلوده و سالم تهیه و تجزیهوتحلیل شدند. ساختار پیشنهادی توانست نرخ صحت بازشناسی 23/99 درصدی را در زمان ردیابی 3 میلیثانیهای حاصل کند. این نتایج نسبت به ساختارهای مشابه و رایج عمیق، برتری قابل توجهی را نشان داد.
کلیدواژه ها
بهینهساز یکسان گرادیان نزولی تعمیمیافته؛ ردیابی خودکار؛ زرشک بیدانه؛ زنگ جارویی؛ شبکههای عصبی پیچشی عمیق
Title
Utilizing Deep Artificial Intelligence for the Automated Detection of Barberry Witches' Broom Rust Disease: A Case Study in Qaen County, South Khorasan Province, Iran
Authors
Javad Ramezani Avval Reiabi, Hossein Gholamalinejad, Mojtaba Mohammadpoor, Tahoora Ramezani Moghaddam
Abstract
Barberry is a significant and highly valued commodity in Iran, with more than 98% of the country's seedless barberries coming from South Khorasan province. Around 40,000 families in this province depend on the production and sale of this product as their primary source of income, both directly and indirectly. The primary and detrimental disease that impacts seedless barberry shrubs in South Khorasan province is known as barberry witches' broom rust, which is caused by the fungal pathogen Puccinia arrhenatheri. This disease has been spreading in the barberry gardens of the province for almost twenty years. Recently, the spread of the disease has increased significantly due to climate changes and consecutive droughts in the province. As a result, new areas of the province are being reported as infected with the disease every year. The development of new technologies has led to advancements in plant disease diagnosis methods. Traditional methods have evolved into more sophisticated techniques, including deep learning and machine learning. In 2016, a group of researchers from the University of Bonn in Germany introduced an innovative technique that employs deep learning to monitor and detect plant diseases. They devised convolutional neural networks (CNNs) to construct a profound learning model, which achieved an accuracy of over 99% in distinguishing between healthy and diseased leaf images. Timely detection of barberry broom rust disease is essential for effective management and decision-making. It allows for the implementation of an integrated disease management approach to protect the quality and quantity of this valuable product. In barberry orchards that have a history of infection with this disease, the buds of infected shrubs swell earlier than those of other shrubs. However, the conventional methods used to identify plant diseases often result in plant destruction, have limited access to experts, and are less accurate in detection. To address these issues, it is necessary to design automated methods that can quickly and accurately identify the disease and categorize it. Therefore, the primary objective of this investigation was to detect the barberry witches' broom rust disease efficiently and accurately. To achieve this, a novel automated detection approach was developed, employing artificial intelligence. This approach utilized deep convolutional neural networks and incorporated a generalized gradient descent optimizer. To execute this methodology, an advanced smartphone camera was utilized to capture precise images of both diseased and healthy foliage. Subsequently, these images underwent analysis through this technique. The resultant framework attained a remarkable recognition accuracy of 99.23% within a mere 3 milliseconds, outperforming conventional deep structures with comparable characteristics. These discoveries underscore the substantial benefits of our approach.
Keywords
Automatically detection, Deep convolutional neural networks, Generalized gradient descent optimizer, seedless barberry, Witches' broom rust