بهره‌گیری از مدل یادگیری عمیق مبتنی بر شبکه YOLO برای تشخیص و مکان‌یابی بیماری‌‌های برگ درخت به

ماشین های کشاورزی

مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 مرداد 1404   

نوع مقاله: مقاله پژوهشی انگلیسی

شناسه دیجیتال (DOI): 10.22067/jam.2025.89407.1277

نویسندگان

امین نادری بنی؛ حسین باقرپور^* ؛ جعفر امیری پریان

گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران

چکیده

توسعه یک سیستم هوشمند دقیق و قابل‌اعتماد برای مدیریت بیماری‌های برگ درختان برای کشاورزان بسیار ضروری است. این مطالعه با هدف توسعه یک راهکار مبتنی بر هوش مصنوعی برای شناسایی بیماری‌های برگ درختان به، با استفاده از یک مدل پیشرفته و تک‌مرحله‌ای تشخیص اشیاء به نام YOLO انجام شده است. تصاویر بیماری‌های مختلف برگ این درخت از منابع متعدد، شامل مراکز تحقیقاتی کشاورزی استان اصفهان، وب‌سایت‌های مرتبط و پژوهشگران گردآوری شده است. در این پژوهش، از رویکرد یادگیری انتقالی برای ارزیابی عملکرد سه مدل شناخته‌شده YOLO شامل YOLOv5m، YOLOv7 و YOLOv8m استفاده شد. ارزیابی و مقایسه مدل‌های مورد بررسی بر اساس شاخص‌های آماری مانند دقت (Precision)، بازخوانی (Recall)، امتیاز F1 انجام گرفت. نتایج نشان داد که دقت مدل‌های YOLOv5m، YOLOv7 و YOLOv8m به‌ترتیب 78%، 83% و 87% بوده است. نتایج تجربی نشان داد که مدل YOLOv8m توانایی قابل‌توجهی در شناسایی بیماری‌های برگ درختان به دارد. علاوه بر این، مقایسه مدل‌ها نشان داد که مدل YOLOv8m با امتیازات 0.87 برای دقت، 0.66 برای بازخوانی، 0.69 برای امتیاز F1 و 0.67 برای میانگین دقت، عملکرد بهتری نسبت به سایر مدل‌های بررسی‌شده دارد. بر اساس نتایج کلی این پژوهش، مدل YOLOv8m آموزش‌دیده در این مطالعه می‌تواند به‌عنوان ابزاری تخصصی برای این محصول خاص معرفی شود. بنابراین، مدل توسعه‌یافته در این مطالعه که به‌طور ویژه برای بیماری‌های برگ درخت به طراحی شده است، می‌تواند در نرم‌افزارهای تشخیصی بیماری برگ درختان ادغام شود. چنین نرم‌افزارهایی می‌توانند به کشاورزان در تشخیص دقیق بیماری‌ها کمک کرده و در نهایت زیان‌های اقتصادی را کاهش دهند.

کلیدواژه‌ها

آتشک؛ بیماری برگی؛ تشخیص؛ زخم برگ؛ یادگیری ماشین

مراجع

1. Castelao Tetila, E., Brandoli Machado, B., Belete, N. A. S., Guimaraes, D. A. & Pistori, H. (2017). Identification of soybean foliar diseases using unmanned aerial vehicle images. IEEE Geoscience and Remote Sensing Letters, 14, 2190-2194. https://doi.org/10.1109/LGRS.2017.27437 15
2. Chen, J., Liu, H., Zhang, Y., Zhang, D., Ouyang, H., & Chen, X. (2022). A multiscale lightweight and efficient model based on YOLOv7: Applied to citrus orchard. Plants, 11(23), 3260. https://doi.org/10.3390/plants11233260
3. Chowdhury, M. E., Rahman, T., Khandakar, A., Ibtehaz, N., Khan, A. U., Khan, M. S., Al-Emadi, N., Reaz, M. B. I., Islam, M. T., & Ali, S. H. M. (2021). Tomato leaf diseases detection using deep learning technique. Technology in Agriculture, 453.
4. Paul, S., Batra, S., Mohiuddin, K., Miladi, M. N., Anand, D., & A. Nasr, O. (2022). A Novel Ensemble Weight-Assisted YOLOv5m-Based Deep Learning Technique for the Localization and Detection of Malaria Parasites. Electronics, 11(23), 3999. https://doi.org/10.3390/electronics11233999
5. Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311-318. https://doi.org/10.1016/j.compag.2018.01.009
6. Francesco, S. J. (2023). What Is YOLOv8m? The Ultimate Guide. Available online: https://blog.roboflow.com/what-is-yolov8/ (accessed on 22 July 2024).
7. Fuentes, A., Yoon, S., Kim, S. C. & Park, D. S. A. (2017). robust deep-learning-based detector for real-time tomato plant diseases and pests recognition. Sensors, 17(9). https://doi.org/10.3390/s17092022
8. Gallo, I., Rehman, A. U., Dehkordi, R. H., Landro, N., La Grassa, R., & Boschetti, M. (2023). Deep object detection of crop weeds: Performance of YOLOv7 on a real case dataset from UAV images. Remote Sensing, 15(2), 539. https://doi.org/10.3390/rs15020539
9. Guo, W., Feng, Q., Li, X., Yang, S., & Yang, J. (2022). Grape leaf disease detection based on attention mechanisms. International Journal of Agricultural and Biological Engineering, 15(5), 205-212.
10. Hu, G., Wei, K., Zhang, Y., Bao, W., & Liang, D. (2021). Estimation of tea leaf blight severity in natural scene images. Precision Agriculture, 22, 1239-1262. https://doi.org/10.1007/s11119-020-09782-8
11. Jiang, K., Xie, T., Yan, R., Wen, X., Li, D., Jiang, H., ... & Wang, J. (2022). An attention mechanism-improved YOLOv7 object detection algorithm for hemp duck count estimation. Agriculture, 12(10), 1659. https://doi.org/10.3390/agriculture12101659
12. Kasper-Eulaers, M., Hahn, N., Berger, S., Sebulonsen, T., Myrland, Ø., & Kummervold, P. E. (2021). Detecting heavy goods vehicles in rest areas in winter conditions using YOLOv5m. Algorithms, 14(4), 114. https://doi.org/10.3390/a14040114
13. Kuznetsova, A., Maleva, T., & Soloviev, V. (2020). Detecting apples in orchards using YOLOv3 and YOLOv5m in general and close-up images. In Advances in Neural Networks–ISNN 2020: 17^th International Symposium on Neural Networks, Cairo, Egypt, December 4–6, Springer International Publishing, 17, 233-243. https://doi.org/10.1007/978-3-030-64221-1_20
14. Lou, Y., Hu, Z., Li, M., Li, H., Yang, X., Liu, X., & Liu, F. (2021). October. Real-time detection of cucumber leaf diseases based on convolution neural network. In 2021 IEEE 5^th Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), 5, 1040-1046. https://doi.org/10.1109/ITNEC52019.2021.9587269
15. Lu, Y., Yi, S., Zeng, N., Liu, Y., & Zhang, Y. (2017). Identification of Rice diseases using deep convolutional neural networks, Neuro computing, 267, 378-384. https://doi.org/10.1016/j.neucom.2017.06.023
16. Ramesh, S., Hebbar, R., Niveditha, M., Pooja, R., Shashank, N., & Vinod, P. V. (2018). Plant disease detection using machine learning. In 2018 International conference on design innovations for 3Cs compute communicate control (ICDI3C)(pp. 41-45). IEEE. https://doi.org/10.1109/ICDI3C.2018.00017
17. Oerke, E. C. (2006). Crop losses to pests. The Journal of Agricultural Science, 144(1), 31-43. https://doi.org/10.1017/S0021859605005708
18. Rothe, P. R., & Kshirsagar, R. V. (2015). Cotton leaf disease identification using pattern recognition techniques. In 2015 International conference on pervasive computing (ICPC) (pp. 1-6). IEEE. https://doi.org/10.1109/PERVASIVE.2015.7086983
19. Savary, S., Willocquet, L., Pethybridge, S. J., Esker, P., McRoberts, N., & Nelson, A. (2019). The global burden of pathogens and pests on major food crops. Nature Ecology & Evolution, 3(3), 430-439. https://doi.org/10.1038/s41559-018-0793-y
20. Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., & Stefanovic, D. (2016). Deep neural networks-based recognition of plant diseases by leaf image classification. Computational Intelligence and Neuroscience, 2016(1), 3289801. https://doi.org/10.1155/2016/3289801
21. Soeb, M. J. A., Jubayer, M. F., Tarin, T. A., Al Mamun, M. R., Ruhad, F. M., Parven, A., ... & Meftaul, I. M. (2023). Tea leaf disease detection and identification based on YOLOv7 (YOLO-T). Scientific Reports, 13(1), 6078. https://doi.org/10.1038/s41598-023-33270-4
22. Tiwari, V., Joshi, R. C., & Dutta, M. K. (2021). Dense convolutional neural networks based multiclass plant disease detection and classification using leaf images. Ecological Informatics, 63, 101289. https://doi.org/10.1016/j.ecoinf.2021.101289
23. Tran, D. N. N., Pham, L. H., Nguyen, H. H., & Jeon, J. W. (2022). City-scale multi-camera vehicle tracking of vehicles based on YOLOv7. In 2022 IEEE International Conference on Consumer Electronics-Asia (ICCE-Asia) (pp. 1-4). IEEE. https://doi.org/10.1109/ICCE-Asia57006.2022.9954809
24. Wang, Y., Wang, H., & Xin, Z. (2022). Efficient detection model of steel strip surface defects based on YOLO-V7. Ieee Access, 10, 133936-133944. https://doi.org/10.1109/ACCESS.2022.3230894
25. Wang, C. Y., Bochkovskiy, A., & Liao, H. Y. M. (2023). YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 7464-7475). https://doi.org/10.48550/arXiv.2207.02696
26. Xinming, W., & Hong, T. S. (2023). Comparative study on Leaf disease identification using Yolo v4 and Yolo v7 algorithm. AgBioForum, 25(1).
27. Xue, Z., Xu, R., Bai, D., & Lin, H. (2023). YOLO-tea: A tea disease detection model improved by YOLOv5m. Forests, 14(2), 415. https://doi.org/10.3390/f14020415
28. Yang, G., Feng, W., Jin, J., Lei, Q., Li, X., Gui, G., & Wang, W. (2020). Face mask recognition system with YOLOV5M based on image recognition. In 2020 IEEE 6^th International Conference on Computer and Communications (ICCC) (pp. 1398-1404). IEEE. https://doi.org/10.1109/ICCC51575.2020.9345042
29. Zhou, Y., Tang, Y., Zou, X., Wu, M., Tang, W., Meng, F., ... & Kang, H. (2022). Adaptive active positioning of camellia oleifera fruit picking points: Classical image processing and YOLOv7 fusion algorithm. Applied Sciences, 12(24), 12959. https://doi.org/10.3390/app122412959