Development and Optimization of a Novel Deep Learning Model for Diagnosis of Quince Leaf Diseases
JournalofAgricultura
12 views
14 slides
Dec 09, 2024
Slide 1 of 14
1
2
3
4
5
6
7
8
9
10
11
12
13
14
About This Presentation
Introduction
Detection of tree leaf diseases plays a crucial role in the horticultural field. These diseases can originate from viruses, bacteria, fungi, and other pathogens. If proper attention is not given, these diseases can drastically affect trees, reducing both the quality and quantity of yiel...
Slide Content
Research Article
Vol. 14, No. 4, 2024, p. 445-458
Development and Optimization of a Novel Deep Learning Model for Diagnosis
of Quince Leaf Diseases
A. Naderi Beni
1
, H. Bagherpour
2*
, J. Amiri Parian
2
1- PhD Student, Department of Biosystems Engineering, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran
2- Assistant Professor, Department of Biosystems Engineering, Faculty of Agriculture, Bu-Ali Sina University,
Hamedan, Iran
(*- Corresponding Author Email: [email protected])
How to cite this article:
Naderi Beni, A., Bagherpour, H., & Amiri Parian, J. (2024). Development and Optimization
of a Novel Deep Learning Model for Diagnosis of Quince Leaf Diseases. Journal of
Agricultural Machinery, 14(4), 445-458. (in Persian with English abstract).
https://doi.org/10.22067/jam.2024.88013.1248
Received: 10 May 2024
Revised: 22 June 2024
June 202429 Accepted:
Available Online: 04 November 2024
Introduction
1
Detection of tree leaf diseases plays a crucial role in the horticultural field. These diseases can originate from
viruses, bacteria, fungi, and other pathogens. If proper attention is not given, these diseases can drastically affect
trees, reducing both the quality and quantity of yields. Due to the importance of quince in Iran's export market,
its diseases can cause significant economic losses to the country. Therefore, if leaf diseases can be automatically
identified, appropriate actions can be taken in advance to mitigate these losses. Traditionally, the identification
and detection of tree diseases rely on experts' naked-eye observations. However, the physical condition of the
expert such as eyesight, fatigue, and work pressure can affect their decision-making capability. Today, deep
convolutional neural networks (DCNNs), a novel approach to image classification, have become the most crucial
detection method. DCNNs improve detection or classification accuracy by developing machine-learning models
with many hidden layers to extract optimal features. This approach has significantly enhanced the classification
and identification of diseases affecting plants and trees. This study employs a novel CNN algorithm alongside
two pre-trained models to effectively identify and classify various types of quince diseases.
Materials and Methods
Images of healthy and diseased leaves were acquired from several databases. The majority of these images
were sourced from the Agricultural Research Center of Isfahan Province in Iran, supplemented by contributions
from researchers who had previously studied in this field. Other supporting datasets were obtained from internet
sources. This study incorporated a total of 1,600 images, which included 390 images of fire blight, 384 images of
leaf blight, 406 images of powdery mildew, and 420 images of healthy leaves. Of all the images obtained, 70%,
20%, and 10% were randomly selected for the network's training, validation, and testing, respectively. Image
flipping, rotation, and zooming were applied to augment the training dataset. In this research, a proposed
convolutional neural network (CNN) combined with image processing was developed to classify quince leaf
diseases into four distinct classes. Three CNN models, including Inception-ResNet-v2, ResNet-101, and our
proposed CNN model, were investigated, and their performances were compared using essential indices
including precision, sensitivity, F1-score, and accuracy. To optimize the models’ performance, the impact of
dropout with a 50% probability and the number of neurons in the hidden layers were examined. Our proposed
CNN model consists of an architecture with four convolutional layers, with 224 × 224 RGB images as input to
the first layer, which has 16 filters, followed by additional convolutional layers with 32, 64, and 128 filters
©2024 The author(s). This is an open access article distributed under Creative Commons Attribution
4.0 International License (CC BY 4.0).
https://doi.org/10.22067/jam.2024.88013.1248
Journal of Agricultural Machinery
Homepage: https://jame.um.ac.ir
Vol. 14, No. 4, 2024, p. 445-458
Development and Optimization of a Novel Deep Learning Model for Diagnosis
of Quince Leaf Diseases
A. Naderi Beni
1
, H. Bagherpour
2*
, J. Amiri Parian
2
1- PhD Student, Department of Biosystems Engineering, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran
2- Assistant Professor, Department of Biosystems Engineering, Faculty of Agriculture, Bu-Ali Sina University,
Hamedan, Iran
(*- Corresponding Author Email: [email protected])
How to cite this article:
Naderi Beni, A., Bagherpour, H., & Amiri Parian, J. (2024). Development and Optimization
of a Novel Deep Learning Model for Diagnosis of Quince Leaf Diseases. Journal of
Agricultural Machinery, 14(4), 445-458. (in Persian with English abstract).
https://doi.org/10.22067/jam.2024.88013.1248
Received: 10 May 2024
Revised: 22 June 2024
June 202429 Accepted:
Available Online: 04 November 2024
Introduction
1
Detection of tree leaf diseases plays a crucial role in the horticultural field. These diseases can originate from
viruses, bacteria, fungi, and other pathogens. If proper attention is not given, these diseases can drastically affect
trees, reducing both the quality and quantity of yields. Due to the importance of quince in Iran's export market,
its diseases can cause significant economic losses to the country. Therefore, if leaf diseases can be automatically
identified, appropriate actions can be taken in advance to mitigate these losses. Traditionally, the identification
and detection of tree diseases rely on experts' naked-eye observations. However, the physical condition of the
expert such as eyesight, fatigue, and work pressure can affect their decision-making capability. Today, deep
convolutional neural networks (DCNNs), a novel approach to image classification, have become the most crucial
detection method. DCNNs improve detection or classification accuracy by developing machine-learning models
with many hidden layers to extract optimal features. This approach has significantly enhanced the classification
and identification of diseases affecting plants and trees. This study employs a novel CNN algorithm alongside
two pre-trained models to effectively identify and classify various types of quince diseases.
Materials and Methods
Images of healthy and diseased leaves were acquired from several databases. The majority of these images
were sourced from the Agricultural Research Center of Isfahan Province in Iran, supplemented by contributions
from researchers who had previously studied in this field. Other supporting datasets were obtained from internet
sources. This study incorporated a total of 1,600 images, which included 390 images of fire blight, 384 images of
leaf blight, 406 images of powdery mildew, and 420 images of healthy leaves. Of all the images obtained, 70%,
20%, and 10% were randomly selected for the network's training, validation, and testing, respectively. Image
flipping, rotation, and zooming were applied to augment the training dataset. In this research, a proposed
convolutional neural network (CNN) combined with image processing was developed to classify quince leaf
diseases into four distinct classes. Three CNN models, including Inception-ResNet-v2, ResNet-101, and our
proposed CNN model, were investigated, and their performances were compared using essential indices
including precision, sensitivity, F1-score, and accuracy. To optimize the models’ performance, the impact of
dropout with a 50% probability and the number of neurons in the hidden layers were examined. Our proposed
CNN model consists of an architecture with four convolutional layers, with 224 × 224 RGB images as input to
the first layer, which has 16 filters, followed by additional convolutional layers with 32, 64, and 128 filters
©2024 The author(s). This is an open access article distributed under Creative Commons Attribution
4.0 International License (CC BY 4.0).
https://doi.org/10.22067/jam.2024.88013.1248
Journal of Agricultural Machinery
Homepage: https://jame.um.ac.ir
444 نيشام هیرشن دلج ،يزرواشک ياه41 هرامش ،1 ناتسمز ،4141
respectively. Activation functions of ReLU combined with max-pooling were used at each convolutional layer,
and Softmax activation was applied in the last layer of the neural network to convert the output into a probability
distribution.
Results and Discussion
Three confusion matrices based on the test dataset were constructed for all the CNN models to compare and
evaluate the performance of the classifiers. The indices obtained from the confusion matrices indicated that
Inception-ResNet-v2 and ResNet-101 achieved accuracies of 79% and 72%, respectively. While all models
exhibited promising efficiency in classifying leaf diseases, the proposed shallow CNN model stood out with an
impressive accuracy of 91%, marking it as the most effective solution. The comprehensive results indicate that
the optimized CNN model, featuring four convolutional layers, one hidden layer with 64 neurons, and a dropout
rate of 0.5, outperformed the transfer learning models.
Conclusion
The findings of this study demonstrate that our developed proposed CNN model provides a high-performance
solution for the rapid identification of quince leaf diseases. It excels in real-time detection and monitoring,
achieving remarkable accuracy. Notably, it can identify fire blight and powdery mildew with a precision
exceeding 95%.
Keywords: Confusion matrix, Convolutional neural network, Fire blight, Leaf blight, Powdery mildew
respectively. Activation functions of ReLU combined with max-pooling were used at each convolutional layer,
and Softmax activation was applied in the last layer of the neural network to convert the output into a probability
distribution.
Results and Discussion
Three confusion matrices based on the test dataset were constructed for all the CNN models to compare and
evaluate the performance of the classifiers. The indices obtained from the confusion matrices indicated that
Inception-ResNet-v2 and ResNet-101 achieved accuracies of 79% and 72%, respectively. While all models
exhibited promising efficiency in classifying leaf diseases, the proposed shallow CNN model stood out with an
impressive accuracy of 91%, marking it as the most effective solution. The comprehensive results indicate that
the optimized CNN model, featuring four convolutional layers, one hidden layer with 64 neurons, and a dropout
rate of 0.5, outperformed the transfer learning models.
Conclusion
The findings of this study demonstrate that our developed proposed CNN model provides a high-performance
solution for the rapid identification of quince leaf diseases. It excels in real-time detection and monitoring,
achieving remarkable accuracy. Notably, it can identify fire blight and powdery mildew with a precision
exceeding 95%.
Keywords: Confusion matrix, Convolutional neural network, Fire blight, Leaf blight, Powdery mildew
ینب يردان ،ناراکمه وهب و هعسوتيهنزاسي روگلایمت ویهژ یگدايري معيق خشت رديص بيرامياهي گرب فلتخمی هِب تخرد 444
میشهوژپ هلاق
دلج41 هرامش ،1 ، ناتسمز4141 ص ،154-115
هنیهب و هعسوتمتیروگلا یزاس صیخشت رد قیمع یریگدای هژیو یرامیبیاه یگرب فلتخم تخرد
هِب
ینب یردان نیما
4
روپرقاب نیسح ،
2*
نایرپ یریما رفعج ،
2
:تفایرد خیرات 12/21/2021
:شریذپ خیرات 20/20/2021
هدیکچ
یرامیبیاه ی هِب تخردکی نارگن زایاهی هدمعنارادغاب یم دشاباسانش ویی نآاه اپ ردیش ناتخرد یرورض تتسا یز هته ارتچنآاتهی یداتصتقا
لباقیهجوت یم دراودنه. زا نیا ،ور صیخشت هبعقوم و رثوم یرامیبیاه یگرب ،هِب ناتخرد شقن یمهم رد یریگولج زا نیا ررتض یداتصتقا یب .دراد رتتش
ب مئلاعیرام تخرد نیا ی گرب ردرهاظ میدوش وخشتیص نآاه هب زاین ناصصختمنامز یفرط زا و هتشاد هربخ رب هدوب هتنیزه وامزآیهاگتشی یییاتب
دراد. یلصایرامیب نیرتمخز ،کشتآ لماش لوصحم نیا یاه کدیفس و گرب متیروگلا تفرشیپ اب .تسا یردوپشوه یاه هکبش ،یعونصم یبتصع یاه
هقبط یارب یفلتخمهدش یفرعم یدنبمهم زا هه دنا نیرتنآاه یمهکبش هب ناوت هتعلاعم نتیا یلتصا دته .دره هراشا )ینشولوناه( یشچیپ یبصع یاه
هنیهبهکبش نیا یلصا یاهرتماراپ میظنت و یزاسهب اهیرامیب صیخشت تقد شیازفا روظنمیم هِب تخرد یگرب یاهب اب لوا درکیور رد هعلاعم نیا رد .دشا
،یلاقتنا یریگدای زا هدافتسا مهم متیروگلا ودInception-ResNet-v2 وResNet-101 هنیهب متیروگلا کی مود درکیور رد و یارتب یداهنتشیپ هدش
هقبطیرامیب یدنبلدم جیاتن .دش هدافتسا اهدم یضعب تقد حلاصا ثعاب یفداصت ذح هه داد ناشن اهل اتب درکلمع نیرتشیب و دیدرگ اه40 رد نوروتن
یتشچیپ هتیی راتهچ اتب یداهنشبپ لدم ،یله جیاتن یسررب اب .تشاد یلاقتنا شور هب تبسن یرتیاب تقد یداهنشیپ لدم .دیدرگ لصاح یفخم هیی رد
پارد بیرض و یبصع هکبش کولب رد یفخم هیی کی ،ینشولوناه کولب توا5/2 ار درکلمع نیرتشیب .داد هیارا
هژاویدیلک یاه: ،کشتآ یرامیبگرب مخز، ،یردوپ کدیفس شاشتغا سیرتام ،یشچیپ یبصع هکبش
همدقم
1
هِب تخرد
11
زا هداوناخ Rosaceae و زا سنج Cydonia هته تسا
اهنت کی هتنوگ اتب ماتن Vulgaris دراد و یموتب نارتیا و ناتتسنمهرت
یمدشاب .ساسارب همانرامآ نامزاس راوخ و راتب یناتهج رد لاتس 1212
،یدلایم زا رادقم 406641 نت لوصحم یدیلوت هویمهتِب رد رتساترس
ایند دودح 0/40 دصرد نآ رد هراق ایسآ هب هه تسا یاهروتشه بتیترت
هتبتر رد شهارتم و نارتیا ،ناتسکبزا ،نیچ ،هیهرت م نتپ اتت لوا یاه
2- یلعوب هاگشناد ،یزرواشه هدکشناد ،متسیسویب یسدنهم هورگ ،یرتهد یو شناد
ناریا ،نادمه ،انیس
1- وتب هاگتشناد ،یزرواتشه هدکشناد ،متسیسویب یسدنهم هورگ ،رایداتسا ،انیتس یلع
ناریا ،نادمه
*(- لوئسم هدنسیون :Email: [email protected])
https://doi.org/10.22067/jam.2024.88013.1248
3- Quince
( دنراد رارق ناهجFAO, 2021هویم .) هِب، راشرس زا داوم یذغم هدوب و
یاراد یرلاه رایسب ینییاپ هویم نیا .تسا یواح ،ربیف ،نیئتورپ ،نتهآ
،سم ،تاردیهوبره ،میزتینم ،میتساتپ نیماتتیو B6، نیماتتیو B1 اتی
نیمایت و نیماتیوC تسا . هویم ،نیاربانبهِب و یاب ییاذغ شزرا یاراد
نیماتنیماتیو زا یرایسب هدننهروم ربیف و حلاما ،اهسنا ندب زاین دنآاه
تتسا تیمها زئاح رایسب لوصحم نیا دیلوت و شرورپ هب هجوت و تسا
(Al-Zughbi & Krayem, 2022.)
هِب هویم دیلوت تلاکشم زا یکی، یرامیب دوجو مدتع و یتگرب یاه
هب صیخشت عقومنآاه یرامیب .تسایاه یگرب بلغا رد سایقم داتیز
رد ناتخرد خر یمدهد و یمدتناوت ثتعاب ه و درتکلمع شهاتهیفتیت
لوصحم وشند ه یتن رد و یزنآاهی یداصتقا لباقتیهجو نارادغاب هب
یم دراوزا .دننه نیا،ور صیخشت هبعقوم و رثوتم یرامیبیاته یتگرب
شتتقن ناتتتخرد یتتمهم رد یریگوتتلج زا نتتیا ررتتض یداتتصتقا دراد
(Saygili, Aysan, Mirik, & Sahin, 2004; Sujatha,
Chatterjee, Jhanjhi, & Brohi, 2021; Joshi, Kaushik,
نيشام هیرشنيزرواشک ياه
https://jame.um.ac.ir
میشهوژپ هلاق
دلج41 هرامش ،1 ، ناتسمز4141 ص ،154-115
هنیهب و هعسوتمتیروگلا یزاس صیخشت رد قیمع یریگدای هژیو یرامیبیاه یگرب فلتخم تخرد
هِب
ینب یردان نیما
4
روپرقاب نیسح ،
2*
نایرپ یریما رفعج ،
2
:تفایرد خیرات 12/21/2021
:شریذپ خیرات 20/20/2021
هدیکچ
یرامیبیاه ی هِب تخردکی نارگن زایاهی هدمعنارادغاب یم دشاباسانش ویی نآاه اپ ردیش ناتخرد یرورض تتسا یز هته ارتچنآاتهی یداتصتقا
لباقیهجوت یم دراودنه. زا نیا ،ور صیخشت هبعقوم و رثوم یرامیبیاه یگرب ،هِب ناتخرد شقن یمهم رد یریگولج زا نیا ررتض یداتصتقا یب .دراد رتتش
ب مئلاعیرام تخرد نیا ی گرب ردرهاظ میدوش وخشتیص نآاه هب زاین ناصصختمنامز یفرط زا و هتشاد هربخ رب هدوب هتنیزه وامزآیهاگتشی یییاتب
دراد. یلصایرامیب نیرتمخز ،کشتآ لماش لوصحم نیا یاه کدیفس و گرب متیروگلا تفرشیپ اب .تسا یردوپشوه یاه هکبش ،یعونصم یبتصع یاه
هقبط یارب یفلتخمهدش یفرعم یدنبمهم زا هه دنا نیرتنآاه یمهکبش هب ناوت هتعلاعم نتیا یلتصا دته .دره هراشا )ینشولوناه( یشچیپ یبصع یاه
هنیهبهکبش نیا یلصا یاهرتماراپ میظنت و یزاسهب اهیرامیب صیخشت تقد شیازفا روظنمیم هِب تخرد یگرب یاهب اب لوا درکیور رد هعلاعم نیا رد .دشا
،یلاقتنا یریگدای زا هدافتسا مهم متیروگلا ودInception-ResNet-v2 وResNet-101 هنیهب متیروگلا کی مود درکیور رد و یارتب یداهنتشیپ هدش
هقبطیرامیب یدنبلدم جیاتن .دش هدافتسا اهدم یضعب تقد حلاصا ثعاب یفداصت ذح هه داد ناشن اهل اتب درکلمع نیرتشیب و دیدرگ اه40 رد نوروتن
یتشچیپ هتیی راتهچ اتب یداهنشبپ لدم ،یله جیاتن یسررب اب .تشاد یلاقتنا شور هب تبسن یرتیاب تقد یداهنشیپ لدم .دیدرگ لصاح یفخم هیی رد
پارد بیرض و یبصع هکبش کولب رد یفخم هیی کی ،ینشولوناه کولب توا5/2 ار درکلمع نیرتشیب .داد هیارا
هژاویدیلک یاه: ،کشتآ یرامیبگرب مخز، ،یردوپ کدیفس شاشتغا سیرتام ،یشچیپ یبصع هکبش
همدقم
1
هِب تخرد
11
زا هداوناخ Rosaceae و زا سنج Cydonia هته تسا
اهنت کی هتنوگ اتب ماتن Vulgaris دراد و یموتب نارتیا و ناتتسنمهرت
یمدشاب .ساسارب همانرامآ نامزاس راوخ و راتب یناتهج رد لاتس 1212
،یدلایم زا رادقم 406641 نت لوصحم یدیلوت هویمهتِب رد رتساترس
ایند دودح 0/40 دصرد نآ رد هراق ایسآ هب هه تسا یاهروتشه بتیترت
هتبتر رد شهارتم و نارتیا ،ناتسکبزا ،نیچ ،هیهرت م نتپ اتت لوا یاه
2- یلعوب هاگشناد ،یزرواشه هدکشناد ،متسیسویب یسدنهم هورگ ،یرتهد یو شناد
ناریا ،نادمه ،انیس
1- وتب هاگتشناد ،یزرواتشه هدکشناد ،متسیسویب یسدنهم هورگ ،رایداتسا ،انیتس یلع
ناریا ،نادمه
*(- لوئسم هدنسیون :Email: [email protected])
https://doi.org/10.22067/jam.2024.88013.1248
3- Quince
( دنراد رارق ناهجFAO, 2021هویم .) هِب، راشرس زا داوم یذغم هدوب و
یاراد یرلاه رایسب ینییاپ هویم نیا .تسا یواح ،ربیف ،نیئتورپ ،نتهآ
،سم ،تاردیهوبره ،میزتینم ،میتساتپ نیماتتیو B6، نیماتتیو B1 اتی
نیمایت و نیماتیوC تسا . هویم ،نیاربانبهِب و یاب ییاذغ شزرا یاراد
نیماتنیماتیو زا یرایسب هدننهروم ربیف و حلاما ،اهسنا ندب زاین دنآاه
تتسا تیمها زئاح رایسب لوصحم نیا دیلوت و شرورپ هب هجوت و تسا
(Al-Zughbi & Krayem, 2022.)
هِب هویم دیلوت تلاکشم زا یکی، یرامیب دوجو مدتع و یتگرب یاه
هب صیخشت عقومنآاه یرامیب .تسایاه یگرب بلغا رد سایقم داتیز
رد ناتخرد خر یمدهد و یمدتناوت ثتعاب ه و درتکلمع شهاتهیفتیت
لوصحم وشند ه یتن رد و یزنآاهی یداصتقا لباقتیهجو نارادغاب هب
یم دراوزا .دننه نیا،ور صیخشت هبعقوم و رثوتم یرامیبیاته یتگرب
شتتقن ناتتتخرد یتتمهم رد یریگوتتلج زا نتتیا ررتتض یداتتصتقا دراد
(Saygili, Aysan, Mirik, & Sahin, 2004; Sujatha,
Chatterjee, Jhanjhi, & Brohi, 2021; Joshi, Kaushik,
نيشام هیرشنيزرواشک ياه
https://jame.um.ac.ir
444 نيشام هیرشن دلج ،يزرواشک ياه41 هرامش ،1 ناتسمز ،4141
Dutta, Srivastava, & Choudhary, 2021) .زا متتهمنیرتتت و
جیاریرامیب نیرتیاه یگرب هتِب تتخرد یمناوتت هتب دتننام یدراوتم
یرامیب کشتآ
2
یرامیب ، مخز گرب
1
یرامیب و یردوپ کدیفس
1
هراتشا
دومن. یرامیب ثعاب کشتآهخاتش و ،هفوکش ،هویم ،گرب یگتخوس اته
یمیرامیب .ددرگیاه مخز یم چراق زا یشان بلغا هه گرب هتب ،دنشاب
لکشهکل یاه مظنمانهوهق یایم رهاتظ گرب یور یراتمیب و ددرتگ
کدیفسهکل دا یا ثعاب زین یردوپیاه دیفس یور گربیاته ناوتج
یمتتب و دوتشهجیردتت شرتتتسگ یمدتنبای و لتته گرتب ار یم دنناتتشوپ
(Harteveld, Akinsanmi, & Drenth, 2013; Bradshaw,
Braun, Götz, & Jurick, 2022).
شور رد رصبی، خشتیص ب و تافآیرامی رد اهتاغاب و عرازم اتب
زرایبای ع ،صصختم درف گرب رد مئلایا میهو ییاسانش میا .دوتشتین
زرایبای م اری اب ناوتشوراهی میپوکتسورکی تیا بی وتلوی لوتکلومی
اتیید خشت .درهیص ن ماگنهدوزیز چراق روپسا نتخادنا ماد هب ابی اوته
هلت طسوتاهی م حی یغ ایلاعفر اسانش ویی عت ویتین نازتیم شزتیر
شیب زا دح و سردوز گرب یم ما ناددرتگ. دوتخ تاتیلمع نتیا هتتبلا
مات نا اتی یرهاظ یبایزرا قیرط زا دناوتب هه تسا یصصختم دنمزاین
یم ه یتن رد هه دهد ما نا ار ییاسانش تایلمع شیامزآ دناوتنامز رب و
هتتنیزه( دتتشاب ربAli, Bachik, Muhadi,Yusof, & Gomes,
2019یم ییانیب نیشام زا هدافتسا .)یرامیب صیختشت رد دتناوت یاته
و یاب تعرس و تقد یاراد هه ارچ ؛دشاب دیفم ناهایگ و ناتخرد یگرب
یم نییاپ هنیزه دشاب(Hosainpour, Kheiralipour, Nadimi, &
Paliwal, 2022; Kheiralipour, Nadimi, & Paliwal, 2022;
Farokhzad, Modaress Motlagh, Ahmadi Moghaddam,
), 2024Jalali Honarmand, & Kheiralipour
شهوژپ رد،ییانیب نیشام اب طبترم یاه تایلمعخشتیص یگژیو
لصا هتسد ود هبی سقتیم می :دوش ارختتسا لوا شور ردویتگژی اته
یم مات نا ریوتصت شزادرتپ هزوح رد صصختم دارفا طسوت رد و دوتش
هکبش کمه هب مود شورهتیی )ینتشولوناه( یتشچیپ یاته معتیق .
،لوا تلاح رد دنچرهویگژیاهی بهتسدهتبر ت ساتسا رتب هدتمآ اتت
تیصاخ یدودحداس،دنراد یگ ا ابین لاحنآاه اتناوت تتسا نکممیی
انعم ارختسایموهفم ای یی امت ویز ویگژی رد ار اهیک حمیط لاح رد
غتییر دنتشاب هتشادن میمعت تتیلباق یتفرط زا ودتنرادن یبوتخ یریذتپ
(Chen, Dewi, Huang, & Caraka, 2020; Dawod & Dobre
2022). لدماهی یگدایری معیق و ارختسا لکشمیگژیاهی تسدی
لح ارهدرهدنا و هتباتهدربراه رد هدرتتسگ روتطی تلتخمییاتسانش
بیرامیاهی م هدافتسا لوصحمیدنوش میمعت تیلباق و یرتیاتب یریذپ
دتنراد (Jiang, Lu, Chen, CAI, & Li, 2020; Lu, Zeng, Liu,
& Zhang, 2021)
1- Fire Blight
2- Leaf Blight
3- Powdery Mildew
یرامیب صیخشت هنیمز رد یدایز تاقیقحت یملع عبانم یسررب اب
و ادناریم .تسا هتفرگ ما نا ناتخرد و ناهایگ ناراتکمه (Miranda,
Gerardo, & Tanguilig, 2014یارتتب ) ،صیختتشت ارختتتسا و
نیمخت مهارت تافآ رد عرازم کینکت زا جنرتبیاته تلتخم شزادرتپ
ریوصت و نیسح .دندره هدافتسا راهدوخ هناماس و ناراکمه (Hossain,
Mou, Hasan, Chakraborty, & Razzak, 2018) ماساهنای یارب
ریوصت شزادرپ نآ رد هته دتندره هئارا زا هقبط متیروتگلایدنبهدتننه
نیشام رادرب نابیتشپ (
0
SVM) یارب گرب ییاسانشیاه رامیب زا ملاتس
و هقبطیدنب نآاته دتندره هدافتتسا. و نیته ناراتکمه (Qin et al.,
2016کی ) هارلح یلمع یارب هتسدیدنب ریواصت و صیخشت یرامیب
گرب ه نوی داهنشیپ .دنداد رد نیا قیقحت هب کتمه متیروتگلا SVM
راهچ یرامیب گرب ه نوی اب تقد طتسوتم 00/60 دتصرد و ییاتسانش
هقبطتور .دندش یدنب و ( ناراتکمهRothe & Kshirsagar, 2015)
کی متسیس صیخشت وگلا یارب ییاسانش و هقبطیدتنب هتس یراتمیب
گرب هبنپ هئارا دندره .اب هدافتسا زا هعوم م هدادیاته هتتفرگهدتش زا
ریواصت ،یعیبط کی لدتم روتناته لاتعف یارتب میتسقتیدتنب ریوتصت
هدافتسا دش و تنمومیاه ویه
5
هبناونع یتگژیوییاته بتسانم یارتب
شزومآ کی متسیس اتنتسا یبصع یزاف یقیبعت ارختتسا دندتش و
نیگنایم تقد متسیس یصیخشت55 دصرد شرازتگ دتیدرگ .ملاتسا و
ناراتتکمه (Islam, Dinh, Wahid, & Bhowmik, 2017) اتتب
هدافتتسا زا درتتکیور شزادرتتپ ریوتتصت و یریگداتتی صیختتشت ،نیتتشام
راهدوخ یرامیبیاه هایگ بیسینیمز ار اب هرهبیریگ زا هاگیاپ ریواتصت
"Plant Village" یسررب دتندره و اتب هدافتتسا زا لدتم SVM و اتب
دادعت شیب زا 122 ،ریوصت هقبطیدنب یرامیب ار اب تقد طتسوتم05%
شرازتتگ دتتندره. ( اتتتپوگGupta, 2017) کتتی لدتتم SVM-CS
حلاصاهدش ار اب هدافتسا زا هعوم م هدادیاه گرب یواحلاتبم یاه هب
یرامیبیاه هارمه هب و ییایرتهاب ،یچراق ریواصت گرتب ،ملاتس یارتب
ییاسانش بشخ ملاس و رامیب داهنشیپ دندره .هعسوت ریخا یروانفیاته
تخسمرن و یرازفاصیخشت و رتویپماه هزوح رد یرازفا ،ریوصت ر نم
هب هدافتسا هدرتسگ زا هکبتشیاته CNN رد یریگداتی قتیمع یارتب
هقبطیدنب راهدوخ ریواصت و صیخشت یرامیبیاه یهایگ هدش تتسا
(, 2019 Chen, Liu, & GAOوتل .) و ناراتکمه (Lu, Yi, Zeng,
Liu, & Zhang, 2017) کتتی درتتکیور ییاتتسانش دتتیدج یارتتب
یرامیبیاه جنرب رب ساسا هکبشیاه یبصع نشولوناه قتیمع هتیی
4
(DCNN) هئارا دندره .اتب هدافتتسا زا هتعوم م هداد لکتشتم زا 522
ریوصت یعیبط زا گرباه و هقاسیاه رامیب و ملاس هکبتش نیدنچ ،جنرب
CNN یارب ییاسانش 22 یرامیب جیار جنرب دندتش هتسیاقم و یسررب .
4- Support vector machine
5- Hu’s moments
6- Deep Convolutional neural network
Dutta, Srivastava, & Choudhary, 2021) .زا متتهمنیرتتت و
جیاریرامیب نیرتیاه یگرب هتِب تتخرد یمناوتت هتب دتننام یدراوتم
یرامیب کشتآ
2
یرامیب ، مخز گرب
1
یرامیب و یردوپ کدیفس
1
هراتشا
دومن. یرامیب ثعاب کشتآهخاتش و ،هفوکش ،هویم ،گرب یگتخوس اته
یمیرامیب .ددرگیاه مخز یم چراق زا یشان بلغا هه گرب هتب ،دنشاب
لکشهکل یاه مظنمانهوهق یایم رهاتظ گرب یور یراتمیب و ددرتگ
کدیفسهکل دا یا ثعاب زین یردوپیاه دیفس یور گربیاته ناوتج
یمتتب و دوتشهجیردتت شرتتتسگ یمدتنبای و لتته گرتب ار یم دنناتتشوپ
(Harteveld, Akinsanmi, & Drenth, 2013; Bradshaw,
Braun, Götz, & Jurick, 2022).
شور رد رصبی، خشتیص ب و تافآیرامی رد اهتاغاب و عرازم اتب
زرایبای ع ،صصختم درف گرب رد مئلایا میهو ییاسانش میا .دوتشتین
زرایبای م اری اب ناوتشوراهی میپوکتسورکی تیا بی وتلوی لوتکلومی
اتیید خشت .درهیص ن ماگنهدوزیز چراق روپسا نتخادنا ماد هب ابی اوته
هلت طسوتاهی م حی یغ ایلاعفر اسانش ویی عت ویتین نازتیم شزتیر
شیب زا دح و سردوز گرب یم ما ناددرتگ. دوتخ تاتیلمع نتیا هتتبلا
مات نا اتی یرهاظ یبایزرا قیرط زا دناوتب هه تسا یصصختم دنمزاین
یم ه یتن رد هه دهد ما نا ار ییاسانش تایلمع شیامزآ دناوتنامز رب و
هتتنیزه( دتتشاب ربAli, Bachik, Muhadi,Yusof, & Gomes,
2019یم ییانیب نیشام زا هدافتسا .)یرامیب صیختشت رد دتناوت یاته
و یاب تعرس و تقد یاراد هه ارچ ؛دشاب دیفم ناهایگ و ناتخرد یگرب
یم نییاپ هنیزه دشاب(Hosainpour, Kheiralipour, Nadimi, &
Paliwal, 2022; Kheiralipour, Nadimi, & Paliwal, 2022;
Farokhzad, Modaress Motlagh, Ahmadi Moghaddam,
), 2024Jalali Honarmand, & Kheiralipour
شهوژپ رد،ییانیب نیشام اب طبترم یاه تایلمعخشتیص یگژیو
لصا هتسد ود هبی سقتیم می :دوش ارختتسا لوا شور ردویتگژی اته
یم مات نا ریوتصت شزادرتپ هزوح رد صصختم دارفا طسوت رد و دوتش
هکبش کمه هب مود شورهتیی )ینتشولوناه( یتشچیپ یاته معتیق .
،لوا تلاح رد دنچرهویگژیاهی بهتسدهتبر ت ساتسا رتب هدتمآ اتت
تیصاخ یدودحداس،دنراد یگ ا ابین لاحنآاه اتناوت تتسا نکممیی
انعم ارختسایموهفم ای یی امت ویز ویگژی رد ار اهیک حمیط لاح رد
غتییر دنتشاب هتشادن میمعت تتیلباق یتفرط زا ودتنرادن یبوتخ یریذتپ
(Chen, Dewi, Huang, & Caraka, 2020; Dawod & Dobre
2022). لدماهی یگدایری معیق و ارختسا لکشمیگژیاهی تسدی
لح ارهدرهدنا و هتباتهدربراه رد هدرتتسگ روتطی تلتخمییاتسانش
بیرامیاهی م هدافتسا لوصحمیدنوش میمعت تیلباق و یرتیاتب یریذپ
دتنراد (Jiang, Lu, Chen, CAI, & Li, 2020; Lu, Zeng, Liu,
& Zhang, 2021)
1- Fire Blight
2- Leaf Blight
3- Powdery Mildew
یرامیب صیخشت هنیمز رد یدایز تاقیقحت یملع عبانم یسررب اب
و ادناریم .تسا هتفرگ ما نا ناتخرد و ناهایگ ناراتکمه (Miranda,
Gerardo, & Tanguilig, 2014یارتتب ) ،صیختتشت ارختتتسا و
نیمخت مهارت تافآ رد عرازم کینکت زا جنرتبیاته تلتخم شزادرتپ
ریوصت و نیسح .دندره هدافتسا راهدوخ هناماس و ناراکمه (Hossain,
Mou, Hasan, Chakraborty, & Razzak, 2018) ماساهنای یارب
ریوصت شزادرپ نآ رد هته دتندره هئارا زا هقبط متیروتگلایدنبهدتننه
نیشام رادرب نابیتشپ (
0
SVM) یارب گرب ییاسانشیاه رامیب زا ملاتس
و هقبطیدنب نآاته دتندره هدافتتسا. و نیته ناراتکمه (Qin et al.,
2016کی ) هارلح یلمع یارب هتسدیدنب ریواصت و صیخشت یرامیب
گرب ه نوی داهنشیپ .دنداد رد نیا قیقحت هب کتمه متیروتگلا SVM
راهچ یرامیب گرب ه نوی اب تقد طتسوتم 00/60 دتصرد و ییاتسانش
هقبطتور .دندش یدنب و ( ناراتکمهRothe & Kshirsagar, 2015)
کی متسیس صیخشت وگلا یارب ییاسانش و هقبطیدتنب هتس یراتمیب
گرب هبنپ هئارا دندره .اب هدافتسا زا هعوم م هدادیاته هتتفرگهدتش زا
ریواصت ،یعیبط کی لدتم روتناته لاتعف یارتب میتسقتیدتنب ریوتصت
هدافتسا دش و تنمومیاه ویه
5
هبناونع یتگژیوییاته بتسانم یارتب
شزومآ کی متسیس اتنتسا یبصع یزاف یقیبعت ارختتسا دندتش و
نیگنایم تقد متسیس یصیخشت55 دصرد شرازتگ دتیدرگ .ملاتسا و
ناراتتکمه (Islam, Dinh, Wahid, & Bhowmik, 2017) اتتب
هدافتتسا زا درتتکیور شزادرتتپ ریوتتصت و یریگداتتی صیختتشت ،نیتتشام
راهدوخ یرامیبیاه هایگ بیسینیمز ار اب هرهبیریگ زا هاگیاپ ریواتصت
"Plant Village" یسررب دتندره و اتب هدافتتسا زا لدتم SVM و اتب
دادعت شیب زا 122 ،ریوصت هقبطیدنب یرامیب ار اب تقد طتسوتم05%
شرازتتگ دتتندره. ( اتتتپوگGupta, 2017) کتتی لدتتم SVM-CS
حلاصاهدش ار اب هدافتسا زا هعوم م هدادیاه گرب یواحلاتبم یاه هب
یرامیبیاه هارمه هب و ییایرتهاب ،یچراق ریواصت گرتب ،ملاتس یارتب
ییاسانش بشخ ملاس و رامیب داهنشیپ دندره .هعسوت ریخا یروانفیاته
تخسمرن و یرازفاصیخشت و رتویپماه هزوح رد یرازفا ،ریوصت ر نم
هب هدافتسا هدرتسگ زا هکبتشیاته CNN رد یریگداتی قتیمع یارتب
هقبطیدنب راهدوخ ریواصت و صیخشت یرامیبیاه یهایگ هدش تتسا
(, 2019 Chen, Liu, & GAOوتل .) و ناراتکمه (Lu, Yi, Zeng,
Liu, & Zhang, 2017) کتتی درتتکیور ییاتتسانش دتتیدج یارتتب
یرامیبیاه جنرب رب ساسا هکبشیاه یبصع نشولوناه قتیمع هتیی
4
(DCNN) هئارا دندره .اتب هدافتتسا زا هتعوم م هداد لکتشتم زا 522
ریوصت یعیبط زا گرباه و هقاسیاه رامیب و ملاس هکبتش نیدنچ ،جنرب
CNN یارب ییاسانش 22 یرامیب جیار جنرب دندتش هتسیاقم و یسررب .
4- Support vector machine
5- Hu’s moments
6- Deep Convolutional neural network
ینب يردان ،ناراکمه وهب و هعسوتيهنزاسي روگلایمت ویهژ یگدايري معيق خشت رديص بيرامياهي گرب فلتخمی هِب تخرد 444
لدم یداهنشیپنآاه تسناوت تحتص نیگناتیم اب05/05%، کتیکفت
یرامیباه ار ما نا دهد .یهاتساواه و ناراتکمه (Kawasaki, Uga,
Kagiwada, & Iyatomi, 2015) کتی متتسیس دتیدج صیختشت
یرامیب گرب رایخ ساسارب هکبشیاه یبصع نشولوناه هتئارا دتندره .
یداهنتشیپ لدم CNN نآاته اتب تتسناوتطتسوتم تحتص0/00%،
هقبطیدنب اهرایخ هب ار ود سلاه رامیب و ملاس دهد ما نا .چیوودلاسا
و ناراتکمه (Sladojevic, Arsenovic, Anderla, Culibrk, &
Stefanovic, 2016) کی درکیور دیدج ینتبم رب هکبشیاه هدتیچیپ
قیمع یارب صیخشت یرامیبیاه یهایگ داهنشیپ دندره .اتب کتیکفت
گربیاه هایگ زا طیحم ، ارتطا 21 عوتن جتیار یرامیبیاته یهاتیگ
طسوت لدم یداهنشیپ ینتبم رب CNN ییاسانش دندش .جیاتن یتبر ت
ناشن داد هه لدم یداهنشیپ ینتبم رب CNN یمدناوت یبوتخ درکلمع
یرامیب صیخشت ردو دشاب هتشاد اه طسوتم یییاتب تیساسح و تقد
شرازتتگ دتتش .یتناتتهوم و ناراتتکمه ( Mohanty, Hughes, &
Salathé, 2016کی ) لدم ینتبم رب CNN یارب ییاسانش 20 هتنوگ
لوصحم هعسوت دنداد .اب هدافتسا زا هتعوم م هداد یموتمع زا 50124
ریوصت زا گربیاه ناهایگ رامیب و ،ملاس لدم یداهنشیپ شزومآ هداد
دش و تقد 15/00 دصرد بهتسد دمآ .گنایج و ناراتکمه (Jiang et
al., 2020) زا CNN یارب ارختسا یگژیویاه ریوصت یرامیب گرتب
و جنرب هقبطیدنب و شیپینیب یرامیبیاه نآ هدافتسا دتندره. ناتیت و
ناراتکمه (Tian et al., 2019) یمتتسیس رتب ساتسا YOLOv3
یحارط دره هه یمتسناوت بیس هویم هدیتسر ار تتشادرب ماتگنه رد
بههظحل تروصصیخشت و ییاسانش یا دهد. ( ناراکمه و ناسSun
et al., 2022زا ) هکبش یریگدای قیمع YOLO-v4 یارب ییاتسانش
اتیاه ناتخرد هئارا دندره. ( نتف و یادDai & Fan, 2022) یارتب
صیخشت یرامیب گرتب لوتصحم یزرواتشه زا YOLOv5 هدافتتسا
دندره .نیا تاعلاعم ناشن یمدهد هه هکبتشیاه یبتصع نتشولوناه
هبروط هدرتسگیا رد هنیمز صیخشت یرامیبیاه یهایگ هدافتسا هدتش
تسا و جیاتن یبوخ تسا هدش شرازگ مه .
هتنیمز رد یتفلتخم تاتقیقحت دتنچره ،شهوژپ هقباس هب هجوت اب
یرامیب صیخشت مات نا یغاتب و یعارز تیوصحم ریاس لتخم یاه
و ،تسا هتفرگب هنیمز رد یله هکبتش هتیاپ رب یعونصم شوه یریگراه
هب ینشولوناه یبصعیرامیب صیخشت روظنم هتِب تتخرد موتسرم یاه
.دیدرگن تفای یقیقحت چیه نونهات نیا یارب ،یفرط زا تتقد ناوتب هه
هداد اتب قباتعم هکبش نآ تسا مزی ،درب یاب ار هکبش ریواتصت اتی اته
گرب اب طبترمب هِب تخرد یاهه اتهرتماراپ یمامت و دنیبب شزومآ یبوخ
نتیا لوا دته اذتل .دتندرگ میتظنت تخرد نیا گرب ساسا رب هکبش
تتب ،شهوژتتپه شیتتپ زا ینتتشولوناه یبتتصع هکبتتش نیدتتنچ یریگراتته
شزومآهدیدیرامیب صیخشت یارب هدش .تتسا هِب تخرد لتخم یاه
دیدج راتخاس اب یداهنشیپ قیمع یریگدای لدم کی هعسوت مود ده
مه یراتمعم اتب دناوتب هه تساهکبتش اتب مت ح شیتپ زا میت ح یاه
شزومآهدید نتیا موتس ده .دنه لمع رتهب یتح ای هدره تباقر هدش
رپیاه حلاصا ای میعنت هعلاعمهکبش یلصا یاهرتماراپ قتیمع هیی یاه
رتثا هه دیدرگ یعس هعلاعم نیا رد .تسا هنیهب لدم کی هب ندیسر و
ره یاهرتماراپرپیاههتتسد کوتلب و ینتشولوناه کولب ود دروتم یدنب
ربر .دنریگ رارق یس
داوم و شوراه
عمجریواصت یروآ
رد نیا ،هعلاعم ریواصت رثها یرامیبیاه یگرب تخرد هِب یاضف زا
زاب زا یعیحم طیارش قیقد لرتنه نودب و یزرواتشه تاتقیقحت زهرم
ناهفصا ناتسا دش هیهت .گرب هتب بوتبرم ریوتصت سپساته راتمیب ی
طسوت مرتن( پاتشوتف رازتفاAdobe Photoshop 2023 هداد شرتب )
هتتشوپ رد و دندتتش .دتتیدرگ هرتتیخد یراتتمیب رتته هتتب بوتتبرم یاه
ریوصتیرادرب طسوت نیبرود تون یمدر لدم یموئایش هارمه نفلت22
حوضو اب ورپ یریذپ0 هب و دش ما نا لسکیپاگم و م ح شهاه روظنم
هدافتسا ناکمانآاه هکبش رد،قیمع هیی یاه ،هیلوا شزادرپ اب هتمه
ریواصت هب حوضو110×110 دندش لیدبت. هورتگ هتس شهوژپ نیا رد
یرامیب یگرب جیار تخرد هِب لماش یرامیب ،کشتآ یرامیب مخز گرب
و یرامیب کدیفس یردوپ لته رد .دتنتفرگ رارتق هتعلاعم دروتم2422
لماش هِب تخرد یگرب ریوصت102 تآ یرامیب ،کش150 متخز یرامیب
،گرب024 و یردوتپ کدیفس یرامیب گرب012 ملاتس گرتب ریوتصت
لکش رد .دش هیهت2 هنومنگرب زا ییاه تخرد ملاس گرب و رامیب یاه
هِب زا .تسا هدش هداد ناشننآهکبش ههاج دتنیآرف رد قتیمع هیی یاه
هداد رب هولاع ،دنراد زاین یدایز ریواصت هب شزومآزا هته ییاته زتهرم
ناهفصا ناتسا یزرواشه تاقیقحت هب قتیرط زا زین یدادعت ،دمآ تسد
تنرتنیا یاضف(Moore, 2022; David, 2023) ناققحم زا یخرب و
تسااناهشهوژپ رد لابق هه رگید ی راته لوتصحم نیا اب طبترم یاه
و دش هیهت ،دندوب هدره شخرتچ تاتیلمع کمه هب سپس05 ،هتجرد
هنیآ یقفا- گرزب و یدومع یشزومآ هعوم م ریواصت یزاسزاب ،ییامن
لکش( تفرگ ما نا1هداد یارتب یزاتسزاب تاتیلمع نتیا هتبلا .) یاته
لودتتج رد .تتتفرگن ماتت نا نوتتمزآ2 ،شزوتتمآ ریواتتصت دادتتعت زتتین
.تسا هدش هروآ یرامیب ره هب بوبرم نومزآ و ی نسرابتعا ادتیپ یارب
نتتیا رد ، تتلتخم طیارتتش هتتب نآ نداد تتتیمومع و متیروتتگلا ندرتته
یرامیب زا یشخب دش یعس شهوژپ طیارش رد تخرد یور دوجوم یاه
شرب اب سپس و دنوش یرادربریوصت یعقاونآاه تتست و شزومآ رد ،
هکبشهب راه .دندش هدرب
لدم یداهنشیپنآاه تسناوت تحتص نیگناتیم اب05/05%، کتیکفت
یرامیباه ار ما نا دهد .یهاتساواه و ناراتکمه (Kawasaki, Uga,
Kagiwada, & Iyatomi, 2015) کتی متتسیس دتیدج صیختشت
یرامیب گرب رایخ ساسارب هکبشیاه یبصع نشولوناه هتئارا دتندره .
یداهنتشیپ لدم CNN نآاته اتب تتسناوتطتسوتم تحتص0/00%،
هقبطیدنب اهرایخ هب ار ود سلاه رامیب و ملاس دهد ما نا .چیوودلاسا
و ناراتکمه (Sladojevic, Arsenovic, Anderla, Culibrk, &
Stefanovic, 2016) کی درکیور دیدج ینتبم رب هکبشیاه هدتیچیپ
قیمع یارب صیخشت یرامیبیاه یهایگ داهنشیپ دندره .اتب کتیکفت
گربیاه هایگ زا طیحم ، ارتطا 21 عوتن جتیار یرامیبیاته یهاتیگ
طسوت لدم یداهنشیپ ینتبم رب CNN ییاسانش دندش .جیاتن یتبر ت
ناشن داد هه لدم یداهنشیپ ینتبم رب CNN یمدناوت یبوتخ درکلمع
یرامیب صیخشت ردو دشاب هتشاد اه طسوتم یییاتب تیساسح و تقد
شرازتتگ دتتش .یتناتتهوم و ناراتتکمه ( Mohanty, Hughes, &
Salathé, 2016کی ) لدم ینتبم رب CNN یارب ییاسانش 20 هتنوگ
لوصحم هعسوت دنداد .اب هدافتسا زا هتعوم م هداد یموتمع زا 50124
ریوصت زا گربیاه ناهایگ رامیب و ،ملاس لدم یداهنشیپ شزومآ هداد
دش و تقد 15/00 دصرد بهتسد دمآ .گنایج و ناراتکمه (Jiang et
al., 2020) زا CNN یارب ارختسا یگژیویاه ریوصت یرامیب گرتب
و جنرب هقبطیدنب و شیپینیب یرامیبیاه نآ هدافتسا دتندره. ناتیت و
ناراتکمه (Tian et al., 2019) یمتتسیس رتب ساتسا YOLOv3
یحارط دره هه یمتسناوت بیس هویم هدیتسر ار تتشادرب ماتگنه رد
بههظحل تروصصیخشت و ییاسانش یا دهد. ( ناراکمه و ناسSun
et al., 2022زا ) هکبش یریگدای قیمع YOLO-v4 یارب ییاتسانش
اتیاه ناتخرد هئارا دندره. ( نتف و یادDai & Fan, 2022) یارتب
صیخشت یرامیب گرتب لوتصحم یزرواتشه زا YOLOv5 هدافتتسا
دندره .نیا تاعلاعم ناشن یمدهد هه هکبتشیاه یبتصع نتشولوناه
هبروط هدرتسگیا رد هنیمز صیخشت یرامیبیاه یهایگ هدافتسا هدتش
تسا و جیاتن یبوخ تسا هدش شرازگ مه .
هتنیمز رد یتفلتخم تاتقیقحت دتنچره ،شهوژپ هقباس هب هجوت اب
یرامیب صیخشت مات نا یغاتب و یعارز تیوصحم ریاس لتخم یاه
و ،تسا هتفرگب هنیمز رد یله هکبتش هتیاپ رب یعونصم شوه یریگراه
هب ینشولوناه یبصعیرامیب صیخشت روظنم هتِب تتخرد موتسرم یاه
.دیدرگن تفای یقیقحت چیه نونهات نیا یارب ،یفرط زا تتقد ناوتب هه
هداد اتب قباتعم هکبش نآ تسا مزی ،درب یاب ار هکبش ریواتصت اتی اته
گرب اب طبترمب هِب تخرد یاهه اتهرتماراپ یمامت و دنیبب شزومآ یبوخ
نتیا لوا دته اذتل .دتندرگ میتظنت تخرد نیا گرب ساسا رب هکبش
تتب ،شهوژتتپه شیتتپ زا ینتتشولوناه یبتتصع هکبتتش نیدتتنچ یریگراتته
شزومآهدیدیرامیب صیخشت یارب هدش .تتسا هِب تخرد لتخم یاه
دیدج راتخاس اب یداهنشیپ قیمع یریگدای لدم کی هعسوت مود ده
مه یراتمعم اتب دناوتب هه تساهکبتش اتب مت ح شیتپ زا میت ح یاه
شزومآهدید نتیا موتس ده .دنه لمع رتهب یتح ای هدره تباقر هدش
رپیاه حلاصا ای میعنت هعلاعمهکبش یلصا یاهرتماراپ قتیمع هیی یاه
رتثا هه دیدرگ یعس هعلاعم نیا رد .تسا هنیهب لدم کی هب ندیسر و
ره یاهرتماراپرپیاههتتسد کوتلب و ینتشولوناه کولب ود دروتم یدنب
ربر .دنریگ رارق یس
داوم و شوراه
عمجریواصت یروآ
رد نیا ،هعلاعم ریواصت رثها یرامیبیاه یگرب تخرد هِب یاضف زا
زاب زا یعیحم طیارش قیقد لرتنه نودب و یزرواتشه تاتقیقحت زهرم
ناهفصا ناتسا دش هیهت .گرب هتب بوتبرم ریوتصت سپساته راتمیب ی
طسوت مرتن( پاتشوتف رازتفاAdobe Photoshop 2023 هداد شرتب )
هتتشوپ رد و دندتتش .دتتیدرگ هرتتیخد یراتتمیب رتته هتتب بوتتبرم یاه
ریوصتیرادرب طسوت نیبرود تون یمدر لدم یموئایش هارمه نفلت22
حوضو اب ورپ یریذپ0 هب و دش ما نا لسکیپاگم و م ح شهاه روظنم
هدافتسا ناکمانآاه هکبش رد،قیمع هیی یاه ،هیلوا شزادرپ اب هتمه
ریواصت هب حوضو110×110 دندش لیدبت. هورتگ هتس شهوژپ نیا رد
یرامیب یگرب جیار تخرد هِب لماش یرامیب ،کشتآ یرامیب مخز گرب
و یرامیب کدیفس یردوپ لته رد .دتنتفرگ رارتق هتعلاعم دروتم2422
لماش هِب تخرد یگرب ریوصت102 تآ یرامیب ،کش150 متخز یرامیب
،گرب024 و یردوتپ کدیفس یرامیب گرب012 ملاتس گرتب ریوتصت
لکش رد .دش هیهت2 هنومنگرب زا ییاه تخرد ملاس گرب و رامیب یاه
هِب زا .تسا هدش هداد ناشننآهکبش ههاج دتنیآرف رد قتیمع هیی یاه
هداد رب هولاع ،دنراد زاین یدایز ریواصت هب شزومآزا هته ییاته زتهرم
ناهفصا ناتسا یزرواشه تاقیقحت هب قتیرط زا زین یدادعت ،دمآ تسد
تنرتنیا یاضف(Moore, 2022; David, 2023) ناققحم زا یخرب و
تسااناهشهوژپ رد لابق هه رگید ی راته لوتصحم نیا اب طبترم یاه
و دش هیهت ،دندوب هدره شخرتچ تاتیلمع کمه هب سپس05 ،هتجرد
هنیآ یقفا- گرزب و یدومع یشزومآ هعوم م ریواصت یزاسزاب ،ییامن
لکش( تفرگ ما نا1هداد یارتب یزاتسزاب تاتیلمع نتیا هتبلا .) یاته
لودتتج رد .تتتفرگن ماتت نا نوتتمزآ2 ،شزوتتمآ ریواتتصت دادتتعت زتتین
.تسا هدش هروآ یرامیب ره هب بوبرم نومزآ و ی نسرابتعا ادتیپ یارب
نتتیا رد ، تتلتخم طیارتتش هتتب نآ نداد تتتیمومع و متیروتتگلا ندرتته
یرامیب زا یشخب دش یعس شهوژپ طیارش رد تخرد یور دوجوم یاه
شرب اب سپس و دنوش یرادربریوصت یعقاونآاه تتست و شزومآ رد ،
هکبشهب راه .دندش هدرب
454 نيشام هیرشن دلج ،يزرواشک ياه41 هرامش ،1 ناتسمز ،4141
d c b a
لکش1- یرامیب هنومن ،هِب تخرد یگرب لتخم یاه(a) یرامیب یردوپ کدیفس (bیرامیب ) ،کشتآ(cیرامیب ) هکل و گرب(d ملاس گرب )
Fig.1. Sample images of Quince leaf diseases (a) Powdery Mildew, (b) Fire Blight, (c) Leaf Blight, and (d) Healthy
Leaf
لکش2- یزاسزاب ،ریواصت(a) یلصا ریوصت، (b) ،یدومع و یقفا ندره هنیآ تایلمع طسوت یزاسزاب(c )گرزبییامن و(d) شخرچ05 هجرد
Fig.2. Augmentation of (a) original image using (b) horizontal and vertical flips, (c) zoom in, and (d) 45-degree rotation
لودج 1- میسقتیدنب هداداه هب تبسن 5:2:2 تهج ،شزومآ ی نسرابتعا و نومزآ هداداه رد هکبش یاهCNN
Table 1- Number of train, validation, and test data sets for training of CNN networks
نومزآ ریواصت دادعت
Number of test
images
یبایزرا ریواصت دادعت
Number of
validation images
after augmentation
زا دعب یشزومآ ریواصت دادعت
یزاسزاب
Number of training images
after augmentation
ریواصت لک دادعت
Total number of
images
گرب یرامیب
Leaf diseases
39 156 1248 390
یرامیب یردوپ کدیفس
Powdery Mildew
39 154 1229 384
یرامیب مخز گرب
Leaf Blight
40 164 1299 406
یرامیب کشتآ
Fire Blight
42 168 1344 420
ملاس گرب
Healthy Leaf
هکبش نشولوناک یبصع یاه
هب شهوژپ نیا رد و یداهنتشیپ هکبش تیلباق قیقد یسررب روظنم
یرامیب صیختشت رد بسانم متیروگلا هعسوت شور ود زا تلتخم اته
یریگدای شور زا هدافتسا اب لوا شور رد .دش هدافتسایلاقتنا
2
تیلباق ،
روهتتتتشم لدتتتتم ودInception-ResNet-v2 وResNet-101 رد
یگژیو صیخشتهب اههتسد روظنمیرامیب یدنب راهچ رد هِب تخرد یاه
1- Transfer Learning
b
d
a
c
d c b a
لکش1- یرامیب هنومن ،هِب تخرد یگرب لتخم یاه(a) یرامیب یردوپ کدیفس (bیرامیب ) ،کشتآ(cیرامیب ) هکل و گرب(d ملاس گرب )
Fig.1. Sample images of Quince leaf diseases (a) Powdery Mildew, (b) Fire Blight, (c) Leaf Blight, and (d) Healthy
Leaf
لکش2- یزاسزاب ،ریواصت(a) یلصا ریوصت، (b) ،یدومع و یقفا ندره هنیآ تایلمع طسوت یزاسزاب(c )گرزبییامن و(d) شخرچ05 هجرد
Fig.2. Augmentation of (a) original image using (b) horizontal and vertical flips, (c) zoom in, and (d) 45-degree rotation
لودج 1- میسقتیدنب هداداه هب تبسن 5:2:2 تهج ،شزومآ ی نسرابتعا و نومزآ هداداه رد هکبش یاهCNN
Table 1- Number of train, validation, and test data sets for training of CNN networks
نومزآ ریواصت دادعت
Number of test
images
یبایزرا ریواصت دادعت
Number of
validation images
after augmentation
زا دعب یشزومآ ریواصت دادعت
یزاسزاب
Number of training images
after augmentation
ریواصت لک دادعت
Total number of
images
گرب یرامیب
Leaf diseases
39 156 1248 390
یرامیب یردوپ کدیفس
Powdery Mildew
39 154 1229 384
یرامیب مخز گرب
Leaf Blight
40 164 1299 406
یرامیب کشتآ
Fire Blight
42 168 1344 420
ملاس گرب
Healthy Leaf
هکبش نشولوناک یبصع یاه
هب شهوژپ نیا رد و یداهنتشیپ هکبش تیلباق قیقد یسررب روظنم
یرامیب صیختشت رد بسانم متیروگلا هعسوت شور ود زا تلتخم اته
یریگدای شور زا هدافتسا اب لوا شور رد .دش هدافتسایلاقتنا
2
تیلباق ،
روهتتتتشم لدتتتتم ودInception-ResNet-v2 وResNet-101 رد
یگژیو صیخشتهب اههتسد روظنمیرامیب یدنب راهچ رد هِب تخرد یاه
1- Transfer Learning
b
d
a
c
ینب يردان ،ناراکمه وهب و هعسوتيهنزاسي روگلایمت ویهژ یگدايري معيق خشت رديص بيرامياهي گرب فلتخمی هِب تخرد 454
هقبطلدتم نتیا .دتیدرگ یتسررب لتخم اتب هتسیاقم رد یلاتقتنا یاه
لدمهداد ناتشن دوتخ زا یبوتخ تتیلباق رگید یاه تتیبوبحم زا و دتنا
رادروتتخرب یییاتتب( دنتتتسهHe, Zhang, Ren, & Sun, 2016 .)
لدم زا هدافتسا هوحن و یله راتخاس لکتش رد یلاتقتنا یریگدای یاه1
داد ناشن یریگداتی یداهنتشیپ لدتم کتی مود شور رد .تسا هدش ه
هداد شزومآ یارب قیمعلدتم و اته لدتم رد .دتیدرگ هدافتتسا یزاتس
هب ،یداهنشیپهنیهب روظنملدم یزاس دتننام مهم یاهرتماراپرپیاه رثا ،
هیی دادعتلتنره اتی اتهرتلیف دادعت ،ماغدا و نشولوناه یاه دادتعت ،اته
هیین و یبصع هکبش یاهنورو یاهنآاه یتسررب یفداصت ذح رثا ،
شیپ تایلمع .دیدرگ لیلحت ومرن طیحم رد ریواصت شزادرپ بلتم رازفا
مرن طیحم رد زین نشولوناه یبصع هکبش یاهده و ما نا نوتیاتپ رازفا
هداد ادتتبا ،ریواصت هب یسرتسد ناکما یارب .دش هتشون طیتحم هتب اته
هتتمه شزوتتمآ .دتتیدرگ لتتقتنم وتتیارد لتتگوگ لدتتماه تتپ زایش
شزومآدتتیهدهدتتش CNN پ لدتتم ویداهنتتشی رد طیتتحم Colab
2
اتتب
مرن زا هدافتسا رازفاPython 3.6 هناخباته وKeras .دش ما نا
لدمResNet-101
ResNet-101 تسا قیمع یشچیپ یبصع هکبش یرامعم کی
هداوناخ زا یشخب هه ResNet هکبش(یقاب یاهیم )هدنام زا و دشاب
قیرطیقاب یریگدایلدم رد هناروآون یدرکیور ،هدنام یریگدای یاه
نایدارگ ندش دیدپان لکشم هکبش نیا .تسا هدره هئارا قیمع رد اه
هکبشیقاب تیاصتا زا هدافتسا اب ار قیمع رایسب یاه لح هدنام
یمیم ثعاب تیاصتا نیا .دنه هب میقتسم روط هب تاعلاطا دنوش
هیینوش لقتنم یدعب یاههکبش تخاس ناکما و دقیمع رایسب یاه رت
ش مهارف .دو یاراد لدم نیا222 قمع نآ هب هه تسا یشچیپ هیی
ار هدیچیپ رایسب یاهوگلا ییاسانش یارب مزی یم .دهددرکلمع
ResNet-101 هب ،هدیچیپ یاظو ردهقبط رد هژیو و ریوصت یدنب
یز ریثأت لدم نیا .دراد یبوخ درکلمع ،ایشا صیخشت رد یدا
تفرشیپ هب زاین هه ییاهدربراه رد و تشاد یرتویپماه ییانیب یاه
ریوصت دننام یاب تقد روط هب ،راهدوخ یگدننار و یکشزپ یرادرب
هدرتسگ هدافتسا یایمدوش (He, Zhang, Ren, & Sun, 2016 .)
لدمInception-ResNet-v2
هکبشاه هیی یمعیق لومعمی دتننام هداسAlexNet ،ZFNet و
VGGNetنودب ، نتشاد هیچهنوگ م لاصتاتینات بر، ی بتلغاتیهاهی
نشولوناهی ی سپس ویهاهی لصتم ًلاماه
1
اربی هقبطدنبی دتنراد رد .
نیاهکبشاه شیازتفا ابدادتعت یتیهاه یمدتناوت گدتشوحم لکتشمی
1- Google colaboratory
2- Fully connected
دارگینا
1
خر؛دهد ا ندره هفاضا اب ار لکشم نیا ههم تیاصتیربنا
0
یا
فاتتضا تیاتتصتای
5
ناتتکما و دتتندره لتتحمعتتیقرت تتههکبتتش ندر اه
ناکماه یتن رد .دش ریذپ هکبشی ResNet فرعمی ا ات دشین لکتشم
گدشوحمی دارگینا .دنه لح ار هکبتش لاخرتب یفرط زا هداتس یاه
هکبش رد ،ینشولوناهInception هرهب لیلد هب زا یریگفیاتهرتلی اتب
لتخم داعبا ربدورویگژیو هشقن دا یا ناکما ،هداد یقتیقد و یاه رت
یبصع هکبش اذل .دراد دوجوInception-ResNet-v2 نتشاد لیلد هب
هکبتتش ود رتته تتتیزمResNet وInception رد ار یییاتتب ییاتتناوت
یگژیو صیختشت هداد ناتشن دوتخ زا اته( تتساSzegedy et al.,
2016 .)
یداهنشیپ لدم
بصع هکبش لدمی یداهنشیپ یاراد راتمعمی هژتیو هته تتسا یا
هکبش ریاس اب نآ هسیاقم ناکما یارب دش یعس ،قوف هدش یسررب یاه
ریوصت هزادنا دوروی RGB تباث هزادنا اب110 ×110 هتتفرگ رتظن رد
،لدم نیا رد .دوش ییه نشولوناه2 اب24 فیرتتل نآ لاتبند هتب وهتس
ییه نشولوناهرگید ف ابیاهرتلی 11 ،40 و215 دندش هدافتسا. یارتب
کتی نتشولوناه هتیی رته زا دتعب ،ریوتصت داعبا شهاه یتیه ماتغدا
خآ یاهتنا رد دیدرگ هفاضا یرثهادحنتتلف هتیی کی ماغدا هیی نیر
4
کیهب یدعبهقبط کوتلب یدورو ناونع کوتلب رد .دتش هداد رارتق دتنب
هتسد هتیی کتی زا اتهرتماراپ دادتعت شیازتفا زا یریگولج تهج یدنب
و دش هدافتسا ناهنپاربنورون دادعت رثا ،هنیهب باوج هب ندیسر ی یاه
11 ،40 و215 ه .دتش یسررب لدم ییاهن درکلمع رب نتیا رد نیتنچم
یفداصت ذح شور رثا کولب
6
لدم درکلمع رب رد .دتیدرگ یتسررب اه
هتسد کولب ینایم هییهتیی یمامت رد و یدنب عباتت زا نتشولوناه یاه
لاعف زاسReLU عبات اب و نورون راهچ زا زین رخآ هیی رد و دش هدافتسا
لاعف زاتتسsoftmax لکتتش رد .دتتیدرگ هدافتتتسا0 هکبتتش یراتتمعم
یپهتسد یارب یداهنش هداد ناتشن هتِب تتخرد تلتخم یاهرامیب یدنب
،هکبتش شزومآ ماگنه رد .تسا هدش خرتنتیگدایر یتشهاه عوتن زا ی
هلپیا
5
هیلوا خرن اب22/2، هناکت0/2 عباتت عباتت و هبیهتنزاتس Adam
.دش هدافتسا
3- Vanishing gradient
4- Skip connections
5- Residual connections
6- Flatten
7- Dropout
8- Step_decay
هقبطلدتم نتیا .دتیدرگ یتسررب لتخم اتب هتسیاقم رد یلاتقتنا یاه
لدمهداد ناتشن دوتخ زا یبوتخ تتیلباق رگید یاه تتیبوبحم زا و دتنا
رادروتتخرب یییاتتب( دنتتتسهHe, Zhang, Ren, & Sun, 2016 .)
لدم زا هدافتسا هوحن و یله راتخاس لکتش رد یلاتقتنا یریگدای یاه1
داد ناشن یریگداتی یداهنتشیپ لدتم کتی مود شور رد .تسا هدش ه
هداد شزومآ یارب قیمعلدتم و اته لدتم رد .دتیدرگ هدافتتسا یزاتس
هب ،یداهنشیپهنیهب روظنملدم یزاس دتننام مهم یاهرتماراپرپیاه رثا ،
هیی دادعتلتنره اتی اتهرتلیف دادعت ،ماغدا و نشولوناه یاه دادتعت ،اته
هیین و یبصع هکبش یاهنورو یاهنآاه یتسررب یفداصت ذح رثا ،
شیپ تایلمع .دیدرگ لیلحت ومرن طیحم رد ریواصت شزادرپ بلتم رازفا
مرن طیحم رد زین نشولوناه یبصع هکبش یاهده و ما نا نوتیاتپ رازفا
هداد ادتتبا ،ریواصت هب یسرتسد ناکما یارب .دش هتشون طیتحم هتب اته
هتتمه شزوتتمآ .دتتیدرگ لتتقتنم وتتیارد لتتگوگ لدتتماه تتپ زایش
شزومآدتتیهدهدتتش CNN پ لدتتم ویداهنتتشی رد طیتتحم Colab
2
اتتب
مرن زا هدافتسا رازفاPython 3.6 هناخباته وKeras .دش ما نا
لدمResNet-101
ResNet-101 تسا قیمع یشچیپ یبصع هکبش یرامعم کی
هداوناخ زا یشخب هه ResNet هکبش(یقاب یاهیم )هدنام زا و دشاب
قیرطیقاب یریگدایلدم رد هناروآون یدرکیور ،هدنام یریگدای یاه
نایدارگ ندش دیدپان لکشم هکبش نیا .تسا هدره هئارا قیمع رد اه
هکبشیقاب تیاصتا زا هدافتسا اب ار قیمع رایسب یاه لح هدنام
یمیم ثعاب تیاصتا نیا .دنه هب میقتسم روط هب تاعلاطا دنوش
هیینوش لقتنم یدعب یاههکبش تخاس ناکما و دقیمع رایسب یاه رت
ش مهارف .دو یاراد لدم نیا222 قمع نآ هب هه تسا یشچیپ هیی
ار هدیچیپ رایسب یاهوگلا ییاسانش یارب مزی یم .دهددرکلمع
ResNet-101 هب ،هدیچیپ یاظو ردهقبط رد هژیو و ریوصت یدنب
یز ریثأت لدم نیا .دراد یبوخ درکلمع ،ایشا صیخشت رد یدا
تفرشیپ هب زاین هه ییاهدربراه رد و تشاد یرتویپماه ییانیب یاه
ریوصت دننام یاب تقد روط هب ،راهدوخ یگدننار و یکشزپ یرادرب
هدرتسگ هدافتسا یایمدوش (He, Zhang, Ren, & Sun, 2016 .)
لدمInception-ResNet-v2
هکبشاه هیی یمعیق لومعمی دتننام هداسAlexNet ،ZFNet و
VGGNetنودب ، نتشاد هیچهنوگ م لاصتاتینات بر، ی بتلغاتیهاهی
نشولوناهی ی سپس ویهاهی لصتم ًلاماه
1
اربی هقبطدنبی دتنراد رد .
نیاهکبشاه شیازتفا ابدادتعت یتیهاه یمدتناوت گدتشوحم لکتشمی
1- Google colaboratory
2- Fully connected
دارگینا
1
خر؛دهد ا ندره هفاضا اب ار لکشم نیا ههم تیاصتیربنا
0
یا
فاتتضا تیاتتصتای
5
ناتتکما و دتتندره لتتحمعتتیقرت تتههکبتتش ندر اه
ناکماه یتن رد .دش ریذپ هکبشی ResNet فرعمی ا ات دشین لکتشم
گدشوحمی دارگینا .دنه لح ار هکبتش لاخرتب یفرط زا هداتس یاه
هکبش رد ،ینشولوناهInception هرهب لیلد هب زا یریگفیاتهرتلی اتب
لتخم داعبا ربدورویگژیو هشقن دا یا ناکما ،هداد یقتیقد و یاه رت
یبصع هکبش اذل .دراد دوجوInception-ResNet-v2 نتشاد لیلد هب
هکبتتش ود رتته تتتیزمResNet وInception رد ار یییاتتب ییاتتناوت
یگژیو صیختشت هداد ناتشن دوتخ زا اته( تتساSzegedy et al.,
2016 .)
یداهنشیپ لدم
بصع هکبش لدمی یداهنشیپ یاراد راتمعمی هژتیو هته تتسا یا
هکبش ریاس اب نآ هسیاقم ناکما یارب دش یعس ،قوف هدش یسررب یاه
ریوصت هزادنا دوروی RGB تباث هزادنا اب110 ×110 هتتفرگ رتظن رد
،لدم نیا رد .دوش ییه نشولوناه2 اب24 فیرتتل نآ لاتبند هتب وهتس
ییه نشولوناهرگید ف ابیاهرتلی 11 ،40 و215 دندش هدافتسا. یارتب
کتی نتشولوناه هتیی رته زا دتعب ،ریوتصت داعبا شهاه یتیه ماتغدا
خآ یاهتنا رد دیدرگ هفاضا یرثهادحنتتلف هتیی کی ماغدا هیی نیر
4
کیهب یدعبهقبط کوتلب یدورو ناونع کوتلب رد .دتش هداد رارتق دتنب
هتسد هتیی کتی زا اتهرتماراپ دادتعت شیازتفا زا یریگولج تهج یدنب
و دش هدافتسا ناهنپاربنورون دادعت رثا ،هنیهب باوج هب ندیسر ی یاه
11 ،40 و215 ه .دتش یسررب لدم ییاهن درکلمع رب نتیا رد نیتنچم
یفداصت ذح شور رثا کولب
6
لدم درکلمع رب رد .دتیدرگ یتسررب اه
هتسد کولب ینایم هییهتیی یمامت رد و یدنب عباتت زا نتشولوناه یاه
لاعف زاسReLU عبات اب و نورون راهچ زا زین رخآ هیی رد و دش هدافتسا
لاعف زاتتسsoftmax لکتتش رد .دتتیدرگ هدافتتتسا0 هکبتتش یراتتمعم
یپهتسد یارب یداهنش هداد ناتشن هتِب تتخرد تلتخم یاهرامیب یدنب
،هکبتش شزومآ ماگنه رد .تسا هدش خرتنتیگدایر یتشهاه عوتن زا ی
هلپیا
5
هیلوا خرن اب22/2، هناکت0/2 عباتت عباتت و هبیهتنزاتس Adam
.دش هدافتسا
3- Vanishing gradient
4- Skip connections
5- Residual connections
6- Flatten
7- Dropout
8- Step_decay
454 نيشام هیرشن دلج ،يزرواشک ياه41 هرامش ،1 ناتسمز ،4141
لکش3- و یله راتخاس دنیآرف هکبش شزومآشزومآ شیپ زا یاههدیدهتسد رد هدشیرامیب یدنبهِب تخرد یگرب لتخم یاه
Fig.3. Overall structure and processing of pre-trained networks for classification of Quince leaf diseases
لکش4- هقبط یارب یداهنشیپ یبصع هکبش یرامعمیرامیب یدنب تخرد لتخم یاههِب
Fig.4. Proposed Convolutional neural network architecture for classification of Quince leaf diseases
Dropout (0.5)
Neurons (..)
Healthy
Fire Blight
Powdery M
Leaf blight
Dense 1
128
Conv
filters
16 Conv
filters
32 Conv
filters
64 Conv
filters
لکش3- و یله راتخاس دنیآرف هکبش شزومآشزومآ شیپ زا یاههدیدهتسد رد هدشیرامیب یدنبهِب تخرد یگرب لتخم یاه
Fig.3. Overall structure and processing of pre-trained networks for classification of Quince leaf diseases
لکش4- هقبط یارب یداهنشیپ یبصع هکبش یرامعمیرامیب یدنب تخرد لتخم یاههِب
Fig.4. Proposed Convolutional neural network architecture for classification of Quince leaf diseases
Dropout (0.5)
Neurons (..)
Healthy
Fire Blight
Powdery M
Leaf blight
Dense 1
128
Conv
filters
16 Conv
filters
32 Conv
filters
64 Conv
filters
ینب يردان ،ناراکمه وهب و هعسوتيهنزاسي روگلایمت ویهژ یگدايري معيق خشت رديص بيرامياهي گرب فلتخمی هِب تخرد 454
صخاشلدم یبایزرا یاهاه
لدتتم درتتکلمع یباتتیزرا و هتتسیاقم ناتتکما یارتتب زا تتلتخم یاه
هتتعبار( تتتقد نوتتچمه یاتتهژیو یاتتهرایعم2 هتتعبار( تحتتص ،)1 ،)
( تیساسح هعبار1 صخاش و )score-1F هعبار(0یتم هدافتسا ) .دوتش
یتتم ار اتتهرایعم نتتیامتتهرد لودتتج زا ناوتتت درتته ارختتتسا یتتگتخیر
(Vidyarthi et al., 2021 .)
(2) Accuracy=
TP+TN
TP+TN+FP+FN
(1) Precision=
TP
TP+FP
(1) Recall=
TP
TP+FN
(0) F1−score=
2Precision×RecAll
Precision+Recall
ا ردین هعبار ،اه TPای ،حیحص تبثمهنومناهیی هتب هته دنتتسه
تسردی سلاه ردملاس هتقبطدتنبی هدتش .دتناFP اتیبداته تتبثم
هنومناهیی هب هابتشا هب هه دنتسه سلاته ناوتنعملاتس هتقبطدتنبی
هدشدنا .TN ن ،حیحص یفنم ایهنوماه ییدنتسه هب ههتسردی ملاتسان
هدش هداد صیخشتدنا .FN ایفنمی بداه هنومنییاه هتب هته دنتتسه
هابتشا ملاسانهقبطدنبی هدشدنا.
ثحب و جیاتن
لکش رد5 سیرتام تلتخم لدتم هتس هتب بوبرم شاشتغا یاه
هدتتتش یتتتسرربInception-ResNet-v2 ،ResNet-101 لدتتتم و
هداد یارتب یداهنشیپ قتیرط زا .تتسا هدتش هداد ناتشن تتست یاته
هدادسیرتام نیا یاهصخاش ،اه و تیتساسح ،تحص ،تقد یاهF1-
score ناتشن سیرتاتم نتیا هتیلوا جیاتتن .دیدرگ هبساحم و ارختسا
یملدم هه دهدشزومآ شیپ زا یاههدید هدتشInception-ResNet-
v2 وResNet-101 ا لیلد هبنی یاتهرتماراپ ههنآاته صیختشت رد
یرامیبهدتشن ارختتسا یتصاصتخا لکش هب ناتخرد اه تتقد اذتل ،دنا
یاتهراه زا یتضعب رد .دتندادن ناشن دوخ زا صیخشت رد یبوخ یلیخ
هقبطهکبتتتش هدتتتشزیرف نزو زا هتتته هباتتتشم یدتتتنب شیتتتپ زا یاه
شزومآهدید هدش شرازگ یهباشم جیاتن ،دندوب هدره هدافتسا هدش .تسا
هبهقبط رد لاثم ناونع( یعارز ناهایگ یرامیب یدنبTiwari, Joshi,
& Dutta, 2021هتتسد ،)( قدتنف هوتیم یدنبShojaeian et al.,
2023 یداهنشیپ هکبش )نآاه هکبتش هتب تبتسن یرتهب جیاتن زا یاه
شزومآ شیپ ناتشن هدتید رتگید تاتقیقحت زا یتضعب رد هتتبلا .دتنداد
لدتم نیتب یداتیز لاتخاشزوتمآ شیتپ زا و یداهنتشیپ یاه هدتید
نآ لیلد هه دیدرگن هدهاشم یم ارهداد تهابش هب ناوت ریواتصت اتی اه
هکبتتش یدوروهکبتتش و هدتتشزیرف یاه داد باتتبترا یداهنتتشیپ یاه
(Vidyarthi, Singh, Xiao, & Tiwari, 2021) هتتسیاقم رد .
لدم نایم زا ، لتخم یاه242 لدم ،تست هنومنیاهResNet-101 ،
Inception-ResNet-v2 هب دادعت بیترت05 و10 هب ار یرامیب هنومن
هقبط هابتشاهدره یدنبیلاح رد ،دنا اتهنت یداهنشیپ لدم هه25 هتنومن
هب هابتشا هب اررظن رد رگید سلاه ناونع تسا هتفرگ.
لدتم تتقد رادوتمن تارتییغت دنورهداد یارتب تلتخم یاه یاته
لکتش رد یبایزرا و شزومآ4 هته ناتنچمه .تتسا هدتش هداد ناتشن
یم ناشن اهرادومننیا هب هجوت اب ،دهد زا دتعب رادوتمن هتس رته رد هته
تشذگ02 هداد هعوم م تقد ،یشزومآ هرود یباتیزرا و شزوتمآ یاه
گمه یتباث رادقم هب شزوتمآ ندوتب یفاته زا ناشن نیا ،تسا هدش هار
لدمیم اه زا ناتشن یوتحن هتب اتهرادومن ندوب ارگمه یفرط زا .دشاب
هداد دادعت ندوب یفاه شزوتمآ هرود دادتعت هت یتن رد .دراد مته اه52
لدم ییاناوت یسررب یاربیم تیافه اه شزوتمآ دتنور نیتنچمه .دتنه
یم ناشن یبایزرا رادومنیه رد هه دهدچلدتم زا مادهشیب اهشزارتب
2
تتتقد .تتتسا هداتتتفین قاتتفتالدتتم یاهResNet-101 ،Inception-
ResNet-v2 هداد یارب یداهنشیپ لدم وهب شزومآ یاه رتبارب بیترت
اتتب52/2 ،55/2 و05/2 هب زتتین یباتتیزرا ریواتتصت یارتتب و دتتمآ تتتسد
هب اب ربارب بیترت65/2 ،51/2 و00/2 .دش لصاح
زانآییاجشلاچ زا یکی هههکبتش شزوتمآ رد یلتصا یاته یاه
شیب اتی زیررس دوجو قیمع هیی یبصعیم شزارتب یارتجا اتب ،دتشاب
لتباق لکتشم نتیا یفداصت ذح تایلمعیم عفر نتیا رد اذتل .دتشاب
هب قیقحتهکبش درکلمع دوبهب روظنم هزادتنا هتب یفداصت ذح رثا ،اه
5/2 هکبش هس ره درکلمع رب تن .دش یسررب لودج جیا1 یم ناشن دهد
لدتم یتضعب درتکلمع حلاتصا رد یفداصت ذح بیرض لامعا هه اه
لتتباق شیازتتفا ثتتعاب و هدوتتب راذتتگریثاتلدتتم تتتقد رد یهجوت یاه
Inception-ResNet-v2 لدتم رد دتنچره .تتسا هدتش یداهنشیپ و
ResNet-101 هتشادن لدم درکلمع حلاصا رد ینادنچ ریثات لماع نیا
ب له رد .تسا،یفداتصت ذتح هتیی ندره هفاضا ا لدتم تتقد یاه
Inception-ResNet-v2 هتتتتب یداهنتتتتشیپ و بیترت5/1% و1/1%
لدم تقد یلو ،تفای شیازفاResNet-101 هزادتنا هب4/1% شهاته
رد یفداصت ذح تایلمع زا هدافتسا ،نارگید جیاتن یسررب اب .دره ادیپ
هکبش لیلد و تسا هدش هیصوت مه قمع اب یاه نتیا رتتهب یراذتگرثا
هعلاعم نیا یداهنشیپ هکبش رد تایلمعیم نآ مه قمع لیلد هب دناوت
ردشیپ زا هکبتتش ود اتتب هتتسیاقمشزومآ دتتشاب هدتتید(Baldi &
Sadowski, 2014; Mianjy, Arora, &Vidal, 2018) .
1- Over fitting
صخاشلدم یبایزرا یاهاه
لدتتم درتتکلمع یباتتیزرا و هتتسیاقم ناتتکما یارتتب زا تتلتخم یاه
هتتعبار( تتتقد نوتتچمه یاتتهژیو یاتتهرایعم2 هتتعبار( تحتتص ،)1 ،)
( تیساسح هعبار1 صخاش و )score-1F هعبار(0یتم هدافتسا ) .دوتش
یتتم ار اتتهرایعم نتتیامتتهرد لودتتج زا ناوتتت درتته ارختتتسا یتتگتخیر
(Vidyarthi et al., 2021 .)
(2) Accuracy=
TP+TN
TP+TN+FP+FN
(1) Precision=
TP
TP+FP
(1) Recall=
TP
TP+FN
(0) F1−score=
2Precision×RecAll
Precision+Recall
ا ردین هعبار ،اه TPای ،حیحص تبثمهنومناهیی هتب هته دنتتسه
تسردی سلاه ردملاس هتقبطدتنبی هدتش .دتناFP اتیبداته تتبثم
هنومناهیی هب هابتشا هب هه دنتسه سلاته ناوتنعملاتس هتقبطدتنبی
هدشدنا .TN ن ،حیحص یفنم ایهنوماه ییدنتسه هب ههتسردی ملاتسان
هدش هداد صیخشتدنا .FN ایفنمی بداه هنومنییاه هتب هته دنتتسه
هابتشا ملاسانهقبطدنبی هدشدنا.
ثحب و جیاتن
لکش رد5 سیرتام تلتخم لدتم هتس هتب بوبرم شاشتغا یاه
هدتتتش یتتتسرربInception-ResNet-v2 ،ResNet-101 لدتتتم و
هداد یارتب یداهنشیپ قتیرط زا .تتسا هدتش هداد ناتشن تتست یاته
هدادسیرتام نیا یاهصخاش ،اه و تیتساسح ،تحص ،تقد یاهF1-
score ناتشن سیرتاتم نتیا هتیلوا جیاتتن .دیدرگ هبساحم و ارختسا
یملدم هه دهدشزومآ شیپ زا یاههدید هدتشInception-ResNet-
v2 وResNet-101 ا لیلد هبنی یاتهرتماراپ ههنآاته صیختشت رد
یرامیبهدتشن ارختتسا یتصاصتخا لکش هب ناتخرد اه تتقد اذتل ،دنا
یاتهراه زا یتضعب رد .دتندادن ناشن دوخ زا صیخشت رد یبوخ یلیخ
هقبطهکبتتتش هدتتتشزیرف نزو زا هتتته هباتتتشم یدتتتنب شیتتتپ زا یاه
شزومآهدید هدش شرازگ یهباشم جیاتن ،دندوب هدره هدافتسا هدش .تسا
هبهقبط رد لاثم ناونع( یعارز ناهایگ یرامیب یدنبTiwari, Joshi,
& Dutta, 2021هتتسد ،)( قدتنف هوتیم یدنبShojaeian et al.,
2023 یداهنشیپ هکبش )نآاه هکبتش هتب تبتسن یرتهب جیاتن زا یاه
شزومآ شیپ ناتشن هدتید رتگید تاتقیقحت زا یتضعب رد هتتبلا .دتنداد
لدتم نیتب یداتیز لاتخاشزوتمآ شیتپ زا و یداهنتشیپ یاه هدتید
نآ لیلد هه دیدرگن هدهاشم یم ارهداد تهابش هب ناوت ریواتصت اتی اه
هکبتتش یدوروهکبتتش و هدتتشزیرف یاه داد باتتبترا یداهنتتشیپ یاه
(Vidyarthi, Singh, Xiao, & Tiwari, 2021) هتتسیاقم رد .
لدم نایم زا ، لتخم یاه242 لدم ،تست هنومنیاهResNet-101 ،
Inception-ResNet-v2 هب دادعت بیترت05 و10 هب ار یرامیب هنومن
هقبط هابتشاهدره یدنبیلاح رد ،دنا اتهنت یداهنشیپ لدم هه25 هتنومن
هب هابتشا هب اررظن رد رگید سلاه ناونع تسا هتفرگ.
لدتم تتقد رادوتمن تارتییغت دنورهداد یارتب تلتخم یاه یاته
لکتش رد یبایزرا و شزومآ4 هته ناتنچمه .تتسا هدتش هداد ناتشن
یم ناشن اهرادومننیا هب هجوت اب ،دهد زا دتعب رادوتمن هتس رته رد هته
تشذگ02 هداد هعوم م تقد ،یشزومآ هرود یباتیزرا و شزوتمآ یاه
گمه یتباث رادقم هب شزوتمآ ندوتب یفاته زا ناشن نیا ،تسا هدش هار
لدمیم اه زا ناتشن یوتحن هتب اتهرادومن ندوب ارگمه یفرط زا .دشاب
هداد دادعت ندوب یفاه شزوتمآ هرود دادتعت هت یتن رد .دراد مته اه52
لدم ییاناوت یسررب یاربیم تیافه اه شزوتمآ دتنور نیتنچمه .دتنه
یم ناشن یبایزرا رادومنیه رد هه دهدچلدتم زا مادهشیب اهشزارتب
2
تتتقد .تتتسا هداتتتفین قاتتفتالدتتم یاهResNet-101 ،Inception-
ResNet-v2 هداد یارب یداهنشیپ لدم وهب شزومآ یاه رتبارب بیترت
اتتب52/2 ،55/2 و05/2 هب زتتین یباتتیزرا ریواتتصت یارتتب و دتتمآ تتتسد
هب اب ربارب بیترت65/2 ،51/2 و00/2 .دش لصاح
زانآییاجشلاچ زا یکی هههکبتش شزوتمآ رد یلتصا یاته یاه
شیب اتی زیررس دوجو قیمع هیی یبصعیم شزارتب یارتجا اتب ،دتشاب
لتباق لکتشم نتیا یفداصت ذح تایلمعیم عفر نتیا رد اذتل .دتشاب
هب قیقحتهکبش درکلمع دوبهب روظنم هزادتنا هتب یفداصت ذح رثا ،اه
5/2 هکبش هس ره درکلمع رب تن .دش یسررب لودج جیا1 یم ناشن دهد
لدتم یتضعب درتکلمع حلاتصا رد یفداصت ذح بیرض لامعا هه اه
لتتباق شیازتتفا ثتتعاب و هدوتتب راذتتگریثاتلدتتم تتتقد رد یهجوت یاه
Inception-ResNet-v2 لدتم رد دتنچره .تتسا هدتش یداهنشیپ و
ResNet-101 هتشادن لدم درکلمع حلاصا رد ینادنچ ریثات لماع نیا
ب له رد .تسا،یفداتصت ذتح هتیی ندره هفاضا ا لدتم تتقد یاه
Inception-ResNet-v2 هتتتتب یداهنتتتتشیپ و بیترت5/1% و1/1%
لدم تقد یلو ،تفای شیازفاResNet-101 هزادتنا هب4/1% شهاته
رد یفداصت ذح تایلمع زا هدافتسا ،نارگید جیاتن یسررب اب .دره ادیپ
هکبش لیلد و تسا هدش هیصوت مه قمع اب یاه نتیا رتتهب یراذتگرثا
هعلاعم نیا یداهنشیپ هکبش رد تایلمعیم نآ مه قمع لیلد هب دناوت
ردشیپ زا هکبتتش ود اتتب هتتسیاقمشزومآ دتتشاب هدتتید(Baldi &
Sadowski, 2014; Mianjy, Arora, &Vidal, 2018) .
1- Over fitting
454 نيشام هیرشن دلج ،يزرواشک ياه41 هرامش ،1 ناتسمز ،4141
لکش5- شاشتغا سیرتام لدمیاه (a) ResNet-101،(b )Inception-ResNet-v2 و (c )نومزآ هداد یارب یداهنشیپ هکبش
Fig.5. Confusion matrix of (a) ResNet-101, (b) Inception-ResNet-v2, and (c) Proposed networks for test data set
لکش6- هداد تقد رادومنلدم یبایزرا و شزومآ یاهیاه (a) ResNet-101، (b )Inception-ResNet-v2 و (c) یداهنشیپ لدم
Fig. 6. Accuracy plot for training and validation dataset for (a) ResNet-101, (b) Inception-ResNet-v2 and (c) Proposed
networks
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50
Accuracy
Epoch
Train
val
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0 10 20 30 40 50
Accuracy
Epoch
Train
val
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50
Accuracy
Epoch
Train
val
c
a b
b
a
c
لکش5- شاشتغا سیرتام لدمیاه (a) ResNet-101،(b )Inception-ResNet-v2 و (c )نومزآ هداد یارب یداهنشیپ هکبش
Fig.5. Confusion matrix of (a) ResNet-101, (b) Inception-ResNet-v2, and (c) Proposed networks for test data set
لکش6- هداد تقد رادومنلدم یبایزرا و شزومآ یاهیاه (a) ResNet-101، (b )Inception-ResNet-v2 و (c) یداهنشیپ لدم
Fig. 6. Accuracy plot for training and validation dataset for (a) ResNet-101, (b) Inception-ResNet-v2 and (c) Proposed
networks
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50
Accuracy
Epoch
Train
val
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0 10 20 30 40 50
Accuracy
Epoch
Train
val
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50
Accuracy
Epoch
Train
val
c
a b
b
a
c
ینب يردان ،ناراکمه وهب و هعسوتيهنزاسي روگلایمت ویهژ یگدايري معيق خشت رديص بيرامياهي گرب فلتخمی هِب تخرد 455
هکبتش تتقد رب یفخم هیی رد نورون دادعت رثا یسررب رد هتس ،اه
ریداقم اب نورون حعس11 ،40 و215 یتسررب یتفخم هتیی رد نورون
لودج جیاتن هه نانچمه .دیدرگ1 یم ناشن،دهد اتب هکبش هس ره رد
فانورون دایز یلیخ شیازلدم تقد اه حلاتصا و درته ادتیپ شهاه اه
لدم یجورخ رد یصاخدیدرگن لصاح اه دادتعت ندره مه اب یفرط زا .
یلاتح رد .درته ادتیپ تتفا تقد یداهنشیپ هکبش رد نورون ود رد هته
رگید هکبشInception-ResNet-v2 وResNet-101 یرتییغت تقد
ور هب هجوت اب اذل .درکن یصاخ دادتعت هکبتش ود نتیا یارب ،تارییغت دن
نورون11 یداهنشیپ هکبش یارب و40 .دیدرگ داهنشیپ نورون
لودج2- نورون دادعت و یفداصت ذح لماع رثاهداد تقد رب یفخم هیی یاهلدم یبایزرا یاه لتخم یاهCNN
Table 2- Effect of dropout value and the number of hidden neurons on the validation accuracy of CNN (lr=Step_decay
and batch size= 64)
Accuracy (%) Dropout Neurons CNN
0.75 - 32
ResNet-101
0.75 - 64
0.73 0.5 64
0.72 - 128
0.80 0.5 32
Inception-ResNet-v2
0.80 - 64
0.82 0.5 64
0.77 0.5 128
0.92 0.5 32
Proposed Model
0.91 - 64
0.94 0.5 64
0.89 0.5 128
هرهب ابسیرتاتم زا زا یرتیگ لکتش زا لتصاح شاتشتغا یاته5 ،
لدم درکلمع لتخم یاهرتماراپ لودج رد و هبساحم اه1 هداد ناتشن
یتم ناشن لودج نیا زا لصاح جیاتن .تسا هدشلدتم هته دتهد یاته
Inception-ResNet-v2 وResNet-101 هقبط ردسلاه یدنب یاه
یرامیب لتخمیم ار نآ لیلد و دنراد یفیعض اتبسن درکلمع اه هب ناوت
نزوهکبش هدشزیرف یاهشزومآ شیپ زا یاه هته دره هراشا هدش هدید
نزو نیا لابق طتسوت اته2222 هداد هاتگیاپ ریواتصت تلتخم سلاته
Imagenet سلاه داتیز یتلیخ لاتتخا .دندوب هدش دا یا نتیا یاته
سلاه اب هاگیاپیرامیب یاهیم یلعف یاه مته لتیید زا یتکی دتناوت
هکبش نیا تقد ندشنیا هب هجوت اب .دشاب اه صخاتش هتهF1-Score
لدتم ییاتناوت یسررب یارب یبوخ کلامهتتسد رد اهنبیرامیب ید اته
لدتم همه ییاب تیلباق زا ناشن جیاتن ،تسا یراتمیب صیختشت رد اه
لدتم ناتسکی یاتهراتفر یتفرط زا .دراد یتگرب مخز صیختشت رد اه
یرامیبیم ناشن اهلدم همه هه دهدسلاه صیختشت یارب اه زا اته
یگژیویم هدافتسا یناسکی یاهلدم یراتفر هباشت نیا و دننه ناشن اه
رکلمع زالدم حیحص دهتتسد تایلمع رد اه یتله هت یتن .تتسا یدنب
لدمیم ناشن اه قتمع مته هژتیو یراتمعم اتب یداهنتشیپ لدتم دهد
ب تسناوتهیرامیب یبوخ زا .دتهد کتیکفت مته زا یییاتب تقد اب ار اه
نآاجیی دادتعت اتب ینتشولوناه لدتم شزوتمآ ،یداهنتشیپ لدم رد هه
ریواصت طسوت امیقتسم و دایز ریواصتگرب یرامیب اذتل دتش مات نا اته
نزویگژیو اب قباعم اقیقد ینشولوناه لدم یاه ریواصت زا لصاح یاه
گربب اههیگژیو نیب یبوخ تشاگن و تسا هدمآ تسد ارختتسا یاه
یرامیب و هدتتشیلاتتح رد .دتتیدرگ لتتصاح اتتهلدتتم رد هتته زا یاه
شیپشزومآهدیدنتیا لتیلد هتب هدتشکوتلب هدتشزیرف راتخاتس زا هته
یگژیو ای ریواصت عون رد توافت ،دش هدافتسا ینشولوناه رد دوجوم یاه
نآاه .دشن لصاح یبسانم تقد ،
هتیی یبصع هکبش زا هه یشهوژپ رد ،هباشم تاقیقحت یسررب رد
یرامیب زیامت یارب قیمع زیاتمت رد ،دتش هدافتتسا روتگنا یتگرب یاته
رات هنه یرامیبیتوبکنع
2
ینورد کدیفس زا
1
و ملاتس زا یتوتبکنع رات ،
هتب یتنورد کدیفتس زا ملاس نینچمهتقد بیترت یاته01 ،50 و50
هداد یارب دصرد تست یاه لتصاح( دتشGutiérrez et al., 2021 .)
نآ لدتتتم تتتتقد دتتتنچرهلدتتتم تتتتقد زا رتتتتشیب اتتته زا یاه
شیپشزومآهدید لدتم تتقد یلو دوب رضاح شهوژپ هدش یداهنتشیپ
.دراد قیقحت نیا یداهنشیپ لدم ییاب تیلباق زا ناشن رضاح شهوژپ
سلاه دادعت هتبلانآ یاه شهوژتپ رد .تسا رضاح شهوژپ زا رتمه اه
هکبتتتش زا هتتته یرتتتگید هباتتتشمشزومآ شیتتتپ زا یاههدید هدتتتش
AlexNet،GoogLeNet ،Inception v3 ،ResNet-50 ،ResNet-
101 وSqueezeNet هتبوظنم روتگنا هاتیگ گرتب یدرز صیختشت ر
لدم نیا رثها رد ،دش هدافتساتیاضر جیاتتن اه و دتش لتصاح یتشخب
هکبش هب بوبرم تقد نیرتهب یاهResNet تتقد اتب دنتسناوت هه دوب
ییاب05% هتبلا .دنهد صیخشت ملاس زا ار یگرب یدرز یرامیب زیامت ،
سلاه دادعت ندوب مهیسررب یاهنآ هدشخ زیامت و اه ود نیب دایز یلی
1- Spider mite
2- Downy mildew
هکبتش تتقد رب یفخم هیی رد نورون دادعت رثا یسررب رد هتس ،اه
ریداقم اب نورون حعس11 ،40 و215 یتسررب یتفخم هتیی رد نورون
لودج جیاتن هه نانچمه .دیدرگ1 یم ناشن،دهد اتب هکبش هس ره رد
فانورون دایز یلیخ شیازلدم تقد اه حلاتصا و درته ادتیپ شهاه اه
لدم یجورخ رد یصاخدیدرگن لصاح اه دادتعت ندره مه اب یفرط زا .
یلاتح رد .درته ادتیپ تتفا تقد یداهنشیپ هکبش رد نورون ود رد هته
رگید هکبشInception-ResNet-v2 وResNet-101 یرتییغت تقد
ور هب هجوت اب اذل .درکن یصاخ دادتعت هکبتش ود نتیا یارب ،تارییغت دن
نورون11 یداهنشیپ هکبش یارب و40 .دیدرگ داهنشیپ نورون
لودج2- نورون دادعت و یفداصت ذح لماع رثاهداد تقد رب یفخم هیی یاهلدم یبایزرا یاه لتخم یاهCNN
Table 2- Effect of dropout value and the number of hidden neurons on the validation accuracy of CNN (lr=Step_decay
and batch size= 64)
Accuracy (%) Dropout Neurons CNN
0.75 - 32
ResNet-101
0.75 - 64
0.73 0.5 64
0.72 - 128
0.80 0.5 32
Inception-ResNet-v2
0.80 - 64
0.82 0.5 64
0.77 0.5 128
0.92 0.5 32
Proposed Model
0.91 - 64
0.94 0.5 64
0.89 0.5 128
هرهب ابسیرتاتم زا زا یرتیگ لکتش زا لتصاح شاتشتغا یاته5 ،
لدم درکلمع لتخم یاهرتماراپ لودج رد و هبساحم اه1 هداد ناتشن
یتم ناشن لودج نیا زا لصاح جیاتن .تسا هدشلدتم هته دتهد یاته
Inception-ResNet-v2 وResNet-101 هقبط ردسلاه یدنب یاه
یرامیب لتخمیم ار نآ لیلد و دنراد یفیعض اتبسن درکلمع اه هب ناوت
نزوهکبش هدشزیرف یاهشزومآ شیپ زا یاه هته دره هراشا هدش هدید
نزو نیا لابق طتسوت اته2222 هداد هاتگیاپ ریواتصت تلتخم سلاته
Imagenet سلاه داتیز یتلیخ لاتتخا .دندوب هدش دا یا نتیا یاته
سلاه اب هاگیاپیرامیب یاهیم یلعف یاه مته لتیید زا یتکی دتناوت
هکبش نیا تقد ندشنیا هب هجوت اب .دشاب اه صخاتش هتهF1-Score
لدتم ییاتناوت یسررب یارب یبوخ کلامهتتسد رد اهنبیرامیب ید اته
لدتم همه ییاب تیلباق زا ناشن جیاتن ،تسا یراتمیب صیختشت رد اه
لدتم ناتسکی یاتهراتفر یتفرط زا .دراد یتگرب مخز صیختشت رد اه
یرامیبیم ناشن اهلدم همه هه دهدسلاه صیختشت یارب اه زا اته
یگژیویم هدافتسا یناسکی یاهلدم یراتفر هباشت نیا و دننه ناشن اه
رکلمع زالدم حیحص دهتتسد تایلمع رد اه یتله هت یتن .تتسا یدنب
لدمیم ناشن اه قتمع مته هژتیو یراتمعم اتب یداهنتشیپ لدتم دهد
ب تسناوتهیرامیب یبوخ زا .دتهد کتیکفت مته زا یییاتب تقد اب ار اه
نآاجیی دادتعت اتب ینتشولوناه لدتم شزوتمآ ،یداهنتشیپ لدم رد هه
ریواصت طسوت امیقتسم و دایز ریواصتگرب یرامیب اذتل دتش مات نا اته
نزویگژیو اب قباعم اقیقد ینشولوناه لدم یاه ریواصت زا لصاح یاه
گربب اههیگژیو نیب یبوخ تشاگن و تسا هدمآ تسد ارختتسا یاه
یرامیب و هدتتشیلاتتح رد .دتتیدرگ لتتصاح اتتهلدتتم رد هتته زا یاه
شیپشزومآهدیدنتیا لتیلد هتب هدتشکوتلب هدتشزیرف راتخاتس زا هته
یگژیو ای ریواصت عون رد توافت ،دش هدافتسا ینشولوناه رد دوجوم یاه
نآاه .دشن لصاح یبسانم تقد ،
هتیی یبصع هکبش زا هه یشهوژپ رد ،هباشم تاقیقحت یسررب رد
یرامیب زیامت یارب قیمع زیاتمت رد ،دتش هدافتتسا روتگنا یتگرب یاته
رات هنه یرامیبیتوبکنع
2
ینورد کدیفس زا
1
و ملاتس زا یتوتبکنع رات ،
هتب یتنورد کدیفتس زا ملاس نینچمهتقد بیترت یاته01 ،50 و50
هداد یارب دصرد تست یاه لتصاح( دتشGutiérrez et al., 2021 .)
نآ لدتتتم تتتتقد دتتتنچرهلدتتتم تتتتقد زا رتتتتشیب اتتته زا یاه
شیپشزومآهدید لدتم تتقد یلو دوب رضاح شهوژپ هدش یداهنتشیپ
.دراد قیقحت نیا یداهنشیپ لدم ییاب تیلباق زا ناشن رضاح شهوژپ
سلاه دادعت هتبلانآ یاه شهوژتپ رد .تسا رضاح شهوژپ زا رتمه اه
هکبتتتش زا هتتته یرتتتگید هباتتتشمشزومآ شیتتتپ زا یاههدید هدتتتش
AlexNet،GoogLeNet ،Inception v3 ،ResNet-50 ،ResNet-
101 وSqueezeNet هتبوظنم روتگنا هاتیگ گرتب یدرز صیختشت ر
لدم نیا رثها رد ،دش هدافتساتیاضر جیاتتن اه و دتش لتصاح یتشخب
هکبش هب بوبرم تقد نیرتهب یاهResNet تتقد اتب دنتسناوت هه دوب
ییاب05% هتبلا .دنهد صیخشت ملاس زا ار یگرب یدرز یرامیب زیامت ،
سلاه دادعت ندوب مهیسررب یاهنآ هدشخ زیامت و اه ود نیب دایز یلی
1- Spider mite
2- Downy mildew
454 نيشام هیرشن دلج ،يزرواشک ياه41 هرامش ،1 ناتسمز ،4141
یم یگرب یدرز و ملاس سلاهمهم زا یکی دناوت ندوب یاب لیید نیرت
نآ شهوژپ تقد( دتشاب رتضاح شهوژتپ هتب تبسن اهCruz et al.,
2019گرب یتوبکنع رات صیخشت ده اب یشهوژپ رد .) ناتته یاته
رط زا ههیق یگدایری لاقتنای خرن ابیگدایری هلحرم ودای زا22/2 تت ا
222/2 وساتسا رب لدتم MobileNetV1 هداد شزوتمآ،دتش لدتم
یگدایری معیق تسناوت با تقد10/01% ارتبی تشزومآ هتعوم می و
55/02% اربی نومزآ هعوم م( دهد صیخشت ار یرامیب نیاYang,
Luo, Wang, Chen, & Wu, 2019 هته رتگید هباشم قیقحت رد .)
هتسد و صیخشت یارب یدنب26 ( دش ما نا قدنف لتخم مقرTaner,
Öztekin, & Duran, 2021 یرتتتشیب تتتقد یداهنتتشیپ لدتتم ،)
(4/05% دتتننام یلاتتقتنا یریگداتتی شور هتتب تبتتسن )Inception-v3 ،
VGG-19 وresnet-50 تاتقیقحت جیاتتن یتسررب رد دنچره .تشاد
،هباشم هب سلاه دادعت ندوب مه لیلدیسررب یاه و تقد ،یرامیب هدش
یتلو ،تتسا هدتش شرازتگ رضاح قیقحت هب تبسن یرتیاب تحص ای
لدتم هته داد ناشن جیاتن هسیاقمهداد شزوتمآ یاهشهوژتپ رد هدتش
و صیختتشت رد یییاتتب تتتیلباق یداهنتتشیپ لدتتم اتتصوصخم رتتضاح
هتسدیرامیب یدنب .دراد اه
لودج3- هکبش اب یداهنشیپ هکبش یبایزرا یاهرتماراپ هسیاقمشزومآ شیپ زا یاههدید هدشResNet-101 وInception-ResNet-V2 اب
هداد زا هدافتسانومزآ یاه
Table 3- Comparing indices parameters of proposed network with pre-trained ResNet-101 and Inception-ResNet-v2
networks using test dataset
Accuracy F1-score Recall Precision Class CNN
0.72
0.63 0.56 0.71 Fire blight
ResNet-101
0.71 0.74 0.67 Leaf blight
0.77 0.85 0.71 Healthy
0.75 0.71 0.79 Powdery M
0.79
0.76 0.74 0.78 Fire blight
Inception-ResNet-v2
0.79 0.79 0.79 Leaf blight
0.80 0.88 0.73 Healthy
0.79 0.74 0.86 Powdery M
0.91
0.94 0.92 0.95 Fire blight
Proposed Model
0.87 0.87 0.87 Leaf blight
0.89 0.95 0.84 Healthy
0.93 0.88 0.97 Powdery M
هجیتنیریگ
نآ زااجییهتب لرتنه و صیخشت ههیرامیب عتقوم و عرازتم یاته
غاب ،تسا رادروخرب یناوارف تیمها زا نازرواشه یارب اهرتضاح هعلاعم
هب راب نیلوا یارب روظنمهژیو لدم هیارا قیمع یریگدایاربی خشتیص
یرامیب اتب هتعلاعم نتیا رد .دیدرگ ما نا هِب تخرد یگرب لتخم یاه
هرهبت زا یریگنکیکاهی شور ،ریوتصت شزادرتپ اتی یزاتسزاب یاته
وقتیت هداد اهمتیروگلا نینچمه ویاه یگدایری معتیق دتننامCNN
ناکماتسدیبای لدم هب هقبط یارب بسانمدنبیرامیب ریواتصت ی یاته
راهچ رد هِب لتخم ه کتیکفت دتنچره .دتیدرگ مهارتف تلتخم سلا
یرامیبگرب لتخم یاهیگژیو ساسا رب اه هتب یتفاتب اتی یگنر یاه
متیروگلا شورناکما مه ریوصت شزادرپ کیسلاه یاه یلو تسا ریذپ
یگژیو دایز هباشت لیلد هبیرامیب طسوت هدش دا یا یاه ، لتخم یاه
سایگژیو ارختمتیروگلا یحارط و صاخ اه شزادرتپ کیتسلاه یاه
میتمعت لاتح نیتع رد و تسا یییاب یگدیچیپ دنمزاین ریوصت یریذتپ
شور دیدرگ یعس هعلاعم نیا رد اذل .دنرادن مه یبوخ یلیخ نیون یاه
یاتهوگلا ییاتسانش یارتب و هدوتب یاتب تقد یاراد هه وگلا ییاسانش
یم بسانم هدیچیپ درتکیور ود زا شهوژتپ نیا رد .دوش هدافتسا ،دنشاب
هژیو یداهنشیپ متیروگلا هعسوت و یلاقتنا یریگدایCNN تخرد یارب
یریگداتی شور ،هباتشم تاتقیقحت زا یضعب رد دنچره ،دش هدافتسا هِب
هقبط رد ار یرتهب جیاتن یلاقتناهداد ناشن یدنب شهوژپ نیا رد یلو دنا
لدمشزومآ شیپ زا یاهدهدیتیاضر جیاتن هدش .دتندادن ناتشن یشخب
یم ار یعض ه یتن نیا لیلدیگژیو ییاتب تهابتش هتب ناوتت اتی اته
نزو ندوبن بسانم ینتشولوناه کوتلب یاتهنآاته رد هتتبلا .داد طتبر
یتلیخ هت یتن تتسناوت یداهنشیپ هکبش ،لباقمهقبط رد یبوتخ یدتنب
یرامیبیم بوخ ه یتن نیا و دهد ناشن اه دتناوت یریگداتی لتیلد هتب
نزو قیقدهقبط دحاو ینشولوناه کولب ود ره یاه جیاتتن .دتشاب یدنب
اهنشیپ متیروگلا هه داد ناشن یلهدارا یئهیم قیقحت نیا رد هدش دناوت
هتتبمرن کتتی ناوتتنعرازتتفا ردیرامیب صیختتشت و هتتِب تتتخرد یاتته
لباقمرن رد هدافتساتاتغاب رد گتنردلاب لکتش هب ،لیابوم یاهرازفا و
ب عرازمه هتفرگ راهدوش .
ناگدنسیون تکراشم
ماین رداتنی تنبعتمج :ییروآ هدادشزادرتپ ،اته هدادهیبش ،اتهیزاتس
یددع/ ارختسا ،یرتویپماه هیلوا نتم هیهت و
یم یگرب یدرز و ملاس سلاهمهم زا یکی دناوت ندوب یاب لیید نیرت
نآ شهوژپ تقد( دتشاب رتضاح شهوژتپ هتب تبسن اهCruz et al.,
2019گرب یتوبکنع رات صیخشت ده اب یشهوژپ رد .) ناتته یاته
رط زا ههیق یگدایری لاقتنای خرن ابیگدایری هلحرم ودای زا22/2 تت ا
222/2 وساتسا رب لدتم MobileNetV1 هداد شزوتمآ،دتش لدتم
یگدایری معیق تسناوت با تقد10/01% ارتبی تشزومآ هتعوم می و
55/02% اربی نومزآ هعوم م( دهد صیخشت ار یرامیب نیاYang,
Luo, Wang, Chen, & Wu, 2019 هته رتگید هباشم قیقحت رد .)
هتسد و صیخشت یارب یدنب26 ( دش ما نا قدنف لتخم مقرTaner,
Öztekin, & Duran, 2021 یرتتتشیب تتتقد یداهنتتشیپ لدتتم ،)
(4/05% دتتننام یلاتتقتنا یریگداتتی شور هتتب تبتتسن )Inception-v3 ،
VGG-19 وresnet-50 تاتقیقحت جیاتتن یتسررب رد دنچره .تشاد
،هباشم هب سلاه دادعت ندوب مه لیلدیسررب یاه و تقد ،یرامیب هدش
یتلو ،تتسا هدتش شرازتگ رضاح قیقحت هب تبسن یرتیاب تحص ای
لدتم هته داد ناشن جیاتن هسیاقمهداد شزوتمآ یاهشهوژتپ رد هدتش
و صیختتشت رد یییاتتب تتتیلباق یداهنتتشیپ لدتتم اتتصوصخم رتتضاح
هتسدیرامیب یدنب .دراد اه
لودج3- هکبش اب یداهنشیپ هکبش یبایزرا یاهرتماراپ هسیاقمشزومآ شیپ زا یاههدید هدشResNet-101 وInception-ResNet-V2 اب
هداد زا هدافتسانومزآ یاه
Table 3- Comparing indices parameters of proposed network with pre-trained ResNet-101 and Inception-ResNet-v2
networks using test dataset
Accuracy F1-score Recall Precision Class CNN
0.72
0.63 0.56 0.71 Fire blight
ResNet-101
0.71 0.74 0.67 Leaf blight
0.77 0.85 0.71 Healthy
0.75 0.71 0.79 Powdery M
0.79
0.76 0.74 0.78 Fire blight
Inception-ResNet-v2
0.79 0.79 0.79 Leaf blight
0.80 0.88 0.73 Healthy
0.79 0.74 0.86 Powdery M
0.91
0.94 0.92 0.95 Fire blight
Proposed Model
0.87 0.87 0.87 Leaf blight
0.89 0.95 0.84 Healthy
0.93 0.88 0.97 Powdery M
هجیتنیریگ
نآ زااجییهتب لرتنه و صیخشت ههیرامیب عتقوم و عرازتم یاته
غاب ،تسا رادروخرب یناوارف تیمها زا نازرواشه یارب اهرتضاح هعلاعم
هب راب نیلوا یارب روظنمهژیو لدم هیارا قیمع یریگدایاربی خشتیص
یرامیب اتب هتعلاعم نتیا رد .دیدرگ ما نا هِب تخرد یگرب لتخم یاه
هرهبت زا یریگنکیکاهی شور ،ریوتصت شزادرتپ اتی یزاتسزاب یاته
وقتیت هداد اهمتیروگلا نینچمه ویاه یگدایری معتیق دتننامCNN
ناکماتسدیبای لدم هب هقبط یارب بسانمدنبیرامیب ریواتصت ی یاته
راهچ رد هِب لتخم ه کتیکفت دتنچره .دتیدرگ مهارتف تلتخم سلا
یرامیبگرب لتخم یاهیگژیو ساسا رب اه هتب یتفاتب اتی یگنر یاه
متیروگلا شورناکما مه ریوصت شزادرپ کیسلاه یاه یلو تسا ریذپ
یگژیو دایز هباشت لیلد هبیرامیب طسوت هدش دا یا یاه ، لتخم یاه
سایگژیو ارختمتیروگلا یحارط و صاخ اه شزادرتپ کیتسلاه یاه
میتمعت لاتح نیتع رد و تسا یییاب یگدیچیپ دنمزاین ریوصت یریذتپ
شور دیدرگ یعس هعلاعم نیا رد اذل .دنرادن مه یبوخ یلیخ نیون یاه
یاتهوگلا ییاتسانش یارتب و هدوتب یاتب تقد یاراد هه وگلا ییاسانش
یم بسانم هدیچیپ درتکیور ود زا شهوژتپ نیا رد .دوش هدافتسا ،دنشاب
هژیو یداهنشیپ متیروگلا هعسوت و یلاقتنا یریگدایCNN تخرد یارب
یریگداتی شور ،هباتشم تاتقیقحت زا یضعب رد دنچره ،دش هدافتسا هِب
هقبط رد ار یرتهب جیاتن یلاقتناهداد ناشن یدنب شهوژپ نیا رد یلو دنا
لدمشزومآ شیپ زا یاهدهدیتیاضر جیاتن هدش .دتندادن ناتشن یشخب
یم ار یعض ه یتن نیا لیلدیگژیو ییاتب تهابتش هتب ناوتت اتی اته
نزو ندوبن بسانم ینتشولوناه کوتلب یاتهنآاته رد هتتبلا .داد طتبر
یتلیخ هت یتن تتسناوت یداهنشیپ هکبش ،لباقمهقبط رد یبوتخ یدتنب
یرامیبیم بوخ ه یتن نیا و دهد ناشن اه دتناوت یریگداتی لتیلد هتب
نزو قیقدهقبط دحاو ینشولوناه کولب ود ره یاه جیاتتن .دتشاب یدنب
اهنشیپ متیروگلا هه داد ناشن یلهدارا یئهیم قیقحت نیا رد هدش دناوت
هتتبمرن کتتی ناوتتنعرازتتفا ردیرامیب صیختتشت و هتتِب تتتخرد یاتته
لباقمرن رد هدافتساتاتغاب رد گتنردلاب لکتش هب ،لیابوم یاهرازفا و
ب عرازمه هتفرگ راهدوش .
ناگدنسیون تکراشم
ماین رداتنی تنبعتمج :ییروآ هدادشزادرتپ ،اته هدادهیبش ،اتهیزاتس
یددع/ ارختسا ،یرتویپماه هیلوا نتم هیهت و
ینب يردان ،ناراکمه وهب و هعسوتيهنزاسي روگلایمت ویهژ یگدايري معيق خشت رديص بيرامياهي گرب فلتخمی هِب تخرد 454
:روپرقاب نیسحدم و تراظنیری،ت موهفمزاسی، شورسانشی، لحتتیل
رامآی، نسرابتعای، بشیهزاسی ددعیپماه/یرتوی، ویاریش نتم
:نایرپ یریما رفعجشورسانشی، تنف هرواتشمی، مرن تامدتخرازتفای،
ویاریش نتم
References
1. Ali, M. M., Bachik, N. A., Muhadi, N., Yusof, T. N. T., & Gomes, C. (2019). Non-destructive techniques of
detecting plant diseases: A review. Physiological and Molecular Plant Pathology, 108, 101426.
https://doi.org/10.1016/j.pmpp.2019.101426
2. Al-Zughbi, I., & Krayem, M. (2022). Quince fruit Cydonia oblonga Mill nutritional composition, antioxidative
properties, health benefits and consumers preferences towards some industrial quince products: A review. Food
Chemistry, 393, 133362. https://doi.org/10.1016/j.foodchem.2022.133362
3. Baldi, P., & Sadowski, P. (2014). The dropout learning algorithm. Artificial Intelligence, 210, 78-122.
4. Bradshaw, M., Braun, U., Götz, M., & Jurick, W. (2022). Phylogeny and taxonomy of powdery mildew caused by
Erysiphe species on Lupinus hosts. Mycologia, 114(1), 76-88. https://doi.org/10.1080/00275514.2021.1973287
5. Chen, J., Liu, Q., & Gao, L. (2019). Visual tea leaf disease recognition using a convolutional neural network
model. Symmetry, 11, 343. https://doi.org/10.3390/sym11030343.
6. Chen, R. C., Dewi, C., Huang, S. W., & Caraka, R. E. (2020). Selecting critical features for data classification
based on machine learning methods. Journal of Big Data 7, 52. https://doi.org/10.1186/s40537-020-00327-4
7. Cruz, A., Ampatzidis, Y., Pierro, R., Materazzi, A., Panattoni, A., De Bellis, L., & Luvisi, A. (2019). Detection of
grapevine yellows symptoms in Vitis vinifera L. with artificial intelligence. Computers and Electronics in
Agriculture, 157, 63-76. https://doi.org/10.1016/j.compag.2018.12.028
8. Dai, G., & Fan, J. (2022). An industrial-grade solution for crop disease image detection tasks. Frontiers in Plant
Science., 13, 921057. https://doi.org/10.3389/fpls.2022.921057.
9. David, M. (2023). Quince tree for the UK gardener. Retrieved March 28, 2024, from
https://gardenfocused.co.uk/fruitarticles/quince.php
10. Dawod, R. G., & Dobre, C. (2022). Upper and lower leaf side detection with machine learning methods. Sensors,
22, 2696. https://doi.org/10.3390/s22072696
11. FAO. (2021). Crops production data. Retrieved from http://www.fao.org/faostat
12. Farokhzad, S., Modaress Motlagh, A., Ahmadi Moghaddam, P., Jalali Honarmand, S., & Kheiralipour, K. (2024).
A machine learning system to identify progress level of dry rot disease in potato tuber based on digital thermal
image processing. Scientific Reports, 14(1), 1995. https://doi.org/10.1038/s41598-023-50948-x
13. Gupta, T. (2017). Plant leaf disease analysis using image-processing technique with modified SVM-CS classifier.
International Journal of Engineering & Management Technology, 5, 11-17.
14. Gutiérrez, S., Hernández, I., Ceballos, S., Barrio, I., Díez-Navajas, A. M., & Tardaguila, J. (2021). Deep learning
for the differentiation of downy mildew and spider mite in grapevine under field conditions. Computers and
Electronics in Agriculture, 182,105991. https://doi.org/10.1016/j.compag.2021.105991
15. Harteveld, D. O. C., Akinsanmi, O. A., & Drenth, A. (2013). Multiple Alternaria species groups are associated
with leaf blotch and fruit spot diseases of apple in Australia. Plant Pathology, 62(2), 289-297.
https://doi.org/10.1111/j.1365-3059.2012.02637.x
16. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the
IEEE conference on computer vision and pattern recognition (pp. 770-778).
17. Hosainpour, A., Kheiralipour, K., Nadimi, M., & Paliwal, J. (2022). Quality assessment of dried white mulberry
(Morus alba L.) using machine vision. Horticulturae, 8(11), 1011. https://doi.org/10.3390/horticulturae8111011
18. Hossain, S., Mou, R. M., Hasan, M. M., Chakraborty, S., & Razzak, M. A. (2018). Recognition and detection of
tea leaf’s diseases using support vector machine. In Proceedings of the 2018 IEEE 14
th
International Colloquium
on Signal Processing & Its Applications (CSPA), Penang, Malaysia. https://doi.org/10.1109/CSPA.2018.8368703
19. Islam, M., Dinh, A., Wahid, K., & Bhowmik, P. (2017). Detection of potato diseases using image segmentation
and multiclass support vector machine. In Proceedings of the 30th IEEE Canadian Conference on Electrical
andComputer Engineering, Windsor, ON, Canada, pp. 1-4. https://doi.org/10.1109/CCECE.2017.7946594
20. Jiang, F., Lu, Y., Chen, Y., Cai, D., & Li, G. (2020). Image recognition of four rice leaf diseases based on deep
learning and support vector machine. Computers and Electronics in Agriculture, 179.
https://doi.org/10.1016/j.compag.2020.105824.
21. Joshi, R. C., Kaushik, M., Dutta, M. K., Srivastava, A., & Choudhary, N. (2021). VirLeafNet: automatic analysis
and viral disease diagnosis using deep-learning in Vigna mungo plant. Ecological Informatics.
https://doi.org/10.1016/j.ecoinf.2020.101197
22. Kawasaki, Y., Uga, H., Kagiwada, S., & Iyatomi, H. (2015). Basic study of automated diagnosis of viral plant
diseases using convolutional neural networks. In Proceedings of the 12th International Symposium on Visual
:روپرقاب نیسحدم و تراظنیری،ت موهفمزاسی، شورسانشی، لحتتیل
رامآی، نسرابتعای، بشیهزاسی ددعیپماه/یرتوی، ویاریش نتم
:نایرپ یریما رفعجشورسانشی، تنف هرواتشمی، مرن تامدتخرازتفای،
ویاریش نتم
References
1. Ali, M. M., Bachik, N. A., Muhadi, N., Yusof, T. N. T., & Gomes, C. (2019). Non-destructive techniques of
detecting plant diseases: A review. Physiological and Molecular Plant Pathology, 108, 101426.
https://doi.org/10.1016/j.pmpp.2019.101426
2. Al-Zughbi, I., & Krayem, M. (2022). Quince fruit Cydonia oblonga Mill nutritional composition, antioxidative
properties, health benefits and consumers preferences towards some industrial quince products: A review. Food
Chemistry, 393, 133362. https://doi.org/10.1016/j.foodchem.2022.133362
3. Baldi, P., & Sadowski, P. (2014). The dropout learning algorithm. Artificial Intelligence, 210, 78-122.
4. Bradshaw, M., Braun, U., Götz, M., & Jurick, W. (2022). Phylogeny and taxonomy of powdery mildew caused by
Erysiphe species on Lupinus hosts. Mycologia, 114(1), 76-88. https://doi.org/10.1080/00275514.2021.1973287
5. Chen, J., Liu, Q., & Gao, L. (2019). Visual tea leaf disease recognition using a convolutional neural network
model. Symmetry, 11, 343. https://doi.org/10.3390/sym11030343.
6. Chen, R. C., Dewi, C., Huang, S. W., & Caraka, R. E. (2020). Selecting critical features for data classification
based on machine learning methods. Journal of Big Data 7, 52. https://doi.org/10.1186/s40537-020-00327-4
7. Cruz, A., Ampatzidis, Y., Pierro, R., Materazzi, A., Panattoni, A., De Bellis, L., & Luvisi, A. (2019). Detection of
grapevine yellows symptoms in Vitis vinifera L. with artificial intelligence. Computers and Electronics in
Agriculture, 157, 63-76. https://doi.org/10.1016/j.compag.2018.12.028
8. Dai, G., & Fan, J. (2022). An industrial-grade solution for crop disease image detection tasks. Frontiers in Plant
Science., 13, 921057. https://doi.org/10.3389/fpls.2022.921057.
9. David, M. (2023). Quince tree for the UK gardener. Retrieved March 28, 2024, from
https://gardenfocused.co.uk/fruitarticles/quince.php
10. Dawod, R. G., & Dobre, C. (2022). Upper and lower leaf side detection with machine learning methods. Sensors,
22, 2696. https://doi.org/10.3390/s22072696
11. FAO. (2021). Crops production data. Retrieved from http://www.fao.org/faostat
12. Farokhzad, S., Modaress Motlagh, A., Ahmadi Moghaddam, P., Jalali Honarmand, S., & Kheiralipour, K. (2024).
A machine learning system to identify progress level of dry rot disease in potato tuber based on digital thermal
image processing. Scientific Reports, 14(1), 1995. https://doi.org/10.1038/s41598-023-50948-x
13. Gupta, T. (2017). Plant leaf disease analysis using image-processing technique with modified SVM-CS classifier.
International Journal of Engineering & Management Technology, 5, 11-17.
14. Gutiérrez, S., Hernández, I., Ceballos, S., Barrio, I., Díez-Navajas, A. M., & Tardaguila, J. (2021). Deep learning
for the differentiation of downy mildew and spider mite in grapevine under field conditions. Computers and
Electronics in Agriculture, 182,105991. https://doi.org/10.1016/j.compag.2021.105991
15. Harteveld, D. O. C., Akinsanmi, O. A., & Drenth, A. (2013). Multiple Alternaria species groups are associated
with leaf blotch and fruit spot diseases of apple in Australia. Plant Pathology, 62(2), 289-297.
https://doi.org/10.1111/j.1365-3059.2012.02637.x
16. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the
IEEE conference on computer vision and pattern recognition (pp. 770-778).
17. Hosainpour, A., Kheiralipour, K., Nadimi, M., & Paliwal, J. (2022). Quality assessment of dried white mulberry
(Morus alba L.) using machine vision. Horticulturae, 8(11), 1011. https://doi.org/10.3390/horticulturae8111011
18. Hossain, S., Mou, R. M., Hasan, M. M., Chakraborty, S., & Razzak, M. A. (2018). Recognition and detection of
tea leaf’s diseases using support vector machine. In Proceedings of the 2018 IEEE 14
th
International Colloquium
on Signal Processing & Its Applications (CSPA), Penang, Malaysia. https://doi.org/10.1109/CSPA.2018.8368703
19. Islam, M., Dinh, A., Wahid, K., & Bhowmik, P. (2017). Detection of potato diseases using image segmentation
and multiclass support vector machine. In Proceedings of the 30th IEEE Canadian Conference on Electrical
andComputer Engineering, Windsor, ON, Canada, pp. 1-4. https://doi.org/10.1109/CCECE.2017.7946594
20. Jiang, F., Lu, Y., Chen, Y., Cai, D., & Li, G. (2020). Image recognition of four rice leaf diseases based on deep
learning and support vector machine. Computers and Electronics in Agriculture, 179.
https://doi.org/10.1016/j.compag.2020.105824.
21. Joshi, R. C., Kaushik, M., Dutta, M. K., Srivastava, A., & Choudhary, N. (2021). VirLeafNet: automatic analysis
and viral disease diagnosis using deep-learning in Vigna mungo plant. Ecological Informatics.
https://doi.org/10.1016/j.ecoinf.2020.101197
22. Kawasaki, Y., Uga, H., Kagiwada, S., & Iyatomi, H. (2015). Basic study of automated diagnosis of viral plant
diseases using convolutional neural networks. In Proceedings of the 12th International Symposium on Visual
454 نيشام هیرشن دلج ،يزرواشک ياه41 هرامش ،1 ناتسمز ،4141
Computing, Las Vegas, NV, USA, pp. 638-645. https://doi.org/10.1016/j.neucom.2017.06.023
23. Kheiralipour, K., Nadimi, M., & Paliwal, J. (2022). Development of an intelligent imaging system for ripeness
determination of wild pistachios. Sensors, 22(19), 7134. https://doi.org/10.3390/s22197134
24. 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
25. Mianjy, P., Arora, R., &Vidal, R. (2018), July. On the implicit bias of dropout. In International conference on
machine learning (pp. 3540-3548). PMLR.
26. Miranda, J. L., Gerardo, B. D., & Tanguilig, B. T. (2014). Pest detection and extraction using image processing
techniques. International Journal of Computer and Communication Engineering , 3, 189.
https://doi.org/10.7763/IJCCE.2014.V3.317
27. Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection,
Frontiers in Plant Science, 7, 1419. https://doi.org/10.3389/fpls.2016.01419
28. Moore, J. (2022). Quince tree disease – Quince leaf blight. Retrieved April 1, 2024, from
https://www.pyracantha.co.uk/quince-tree-disease-quince-leaf-blight.
29. Qin, F., Liu, D. X., Sun, B. D., Ruan, L., Ma, Z., & Wang, H. (2016). Identification of alfalfa leaf diseases using
image recognition technology. PLoS ONE, 11. https://doi.org/10.1371/journalpone.0168274.
30. Rothe, P., & Kshirsagar, R. V. (2015). Cotton leaf disease identification using pattern recognition techniques. In
Proceedings of the 2015 International Conference on Pervasive Computing, Pune, India, pp. 1-6.
https://doi.org/10.1109/PERVASIVE.2015.7086983
31. Saygili, H., Aysan, Y., Mirik, M., & Sahin, F. (2004), July. Severe outbreak of fire blight on quince in Turkey.
In X International Workshop on Fire Blight, 704, 51-54. https://doi.org/10.17660/ActaHortic.2006.704.4
32. Shojaeian, A., Bagherpour, H., Bagherpour, R., Parian, J. A., Fatehi, F., & Taghinezhad, E. (2023). The Potential
Application of Innovative Methods in Neural Networks for Surface Crack Recognition of Unshelled
Hazelnut. Journal of Food Processing and Preservation, 2023. https://doi.org/10.1155/2023/2177724
33. 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,
https://doi.org/10.1155/2016/3289801
34. Sujatha, R., Chatterjee, J. M., Jhanjhi, N. Z., & Brohi, S. N. (2021). Performance of deep learning vs machine
learning in plant leaf disease detection. Microprocess. Microsyst. https://doi.org/10.1016/j.micpro.2020.103615
35. Sun, C., Huang, C., Zhang, H., Chen, B., An, F., Wang, L., & Yun, T. (2022). Individual tree crown segmentation
and crown width extraction from a heightmap derived from aerial laser scanning data using a deep learning
framework. Frontiers in Plant Science, 13, 914-974. https://doi.org/10.3389/fpls.2022.914974
36. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the inception architecture for
computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2818-
2826).
37. Taner, A., Öztekin, Y. B., & Duran, H. (2021). Performance analysis of deep learning CNN models for variety
classification in hazelnut. Sustainability, 13(12), 6527. https://doi.org/10.3390 /su13126527
38. Tian, Y., Yang, G., Wang, Z., Wang, H., Li, E., & Liang, Z. (2019). Apple detection during different growth
stages in orchards using the improved YOLO-V3 model. Computers and Electronics in Agriculture., 157, 417-
426. https://doi.org/10.1016/j.compag.2019.01.012
39. 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
40. Vidyarthi, S. K., Singh, S. K., Xiao, H. W., & Tiwari, R. (2021). Deep learnt grading of almond kernels. Journal
of Food Process Engineering, 44(4), p.e13662.
41. Yang, L., Luo, J., Wang, Z., Chen, Y., & Wu, C. (2019). Research on recognition for cotton spider mites’ damage
level based on deep learning. International Journal of Agricultural and Biological Engineering, 12(6), 129.
https://doi.org/134. 10.25165/j.ijabe.20191206.4816
Computing, Las Vegas, NV, USA, pp. 638-645. https://doi.org/10.1016/j.neucom.2017.06.023
23. Kheiralipour, K., Nadimi, M., & Paliwal, J. (2022). Development of an intelligent imaging system for ripeness
determination of wild pistachios. Sensors, 22(19), 7134. https://doi.org/10.3390/s22197134
24. 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
25. Mianjy, P., Arora, R., &Vidal, R. (2018), July. On the implicit bias of dropout. In International conference on
machine learning (pp. 3540-3548). PMLR.
26. Miranda, J. L., Gerardo, B. D., & Tanguilig, B. T. (2014). Pest detection and extraction using image processing
techniques. International Journal of Computer and Communication Engineering , 3, 189.
https://doi.org/10.7763/IJCCE.2014.V3.317
27. Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection,
Frontiers in Plant Science, 7, 1419. https://doi.org/10.3389/fpls.2016.01419
28. Moore, J. (2022). Quince tree disease – Quince leaf blight. Retrieved April 1, 2024, from
https://www.pyracantha.co.uk/quince-tree-disease-quince-leaf-blight.
29. Qin, F., Liu, D. X., Sun, B. D., Ruan, L., Ma, Z., & Wang, H. (2016). Identification of alfalfa leaf diseases using
image recognition technology. PLoS ONE, 11. https://doi.org/10.1371/journalpone.0168274.
30. Rothe, P., & Kshirsagar, R. V. (2015). Cotton leaf disease identification using pattern recognition techniques. In
Proceedings of the 2015 International Conference on Pervasive Computing, Pune, India, pp. 1-6.
https://doi.org/10.1109/PERVASIVE.2015.7086983
31. Saygili, H., Aysan, Y., Mirik, M., & Sahin, F. (2004), July. Severe outbreak of fire blight on quince in Turkey.
In X International Workshop on Fire Blight, 704, 51-54. https://doi.org/10.17660/ActaHortic.2006.704.4
32. Shojaeian, A., Bagherpour, H., Bagherpour, R., Parian, J. A., Fatehi, F., & Taghinezhad, E. (2023). The Potential
Application of Innovative Methods in Neural Networks for Surface Crack Recognition of Unshelled
Hazelnut. Journal of Food Processing and Preservation, 2023. https://doi.org/10.1155/2023/2177724
33. 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,
https://doi.org/10.1155/2016/3289801
34. Sujatha, R., Chatterjee, J. M., Jhanjhi, N. Z., & Brohi, S. N. (2021). Performance of deep learning vs machine
learning in plant leaf disease detection. Microprocess. Microsyst. https://doi.org/10.1016/j.micpro.2020.103615
35. Sun, C., Huang, C., Zhang, H., Chen, B., An, F., Wang, L., & Yun, T. (2022). Individual tree crown segmentation
and crown width extraction from a heightmap derived from aerial laser scanning data using a deep learning
framework. Frontiers in Plant Science, 13, 914-974. https://doi.org/10.3389/fpls.2022.914974
36. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the inception architecture for
computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2818-
2826).
37. Taner, A., Öztekin, Y. B., & Duran, H. (2021). Performance analysis of deep learning CNN models for variety
classification in hazelnut. Sustainability, 13(12), 6527. https://doi.org/10.3390 /su13126527
38. Tian, Y., Yang, G., Wang, Z., Wang, H., Li, E., & Liang, Z. (2019). Apple detection during different growth
stages in orchards using the improved YOLO-V3 model. Computers and Electronics in Agriculture., 157, 417-
426. https://doi.org/10.1016/j.compag.2019.01.012
39. 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
40. Vidyarthi, S. K., Singh, S. K., Xiao, H. W., & Tiwari, R. (2021). Deep learnt grading of almond kernels. Journal
of Food Process Engineering, 44(4), p.e13662.
41. Yang, L., Luo, J., Wang, Z., Chen, Y., & Wu, C. (2019). Research on recognition for cotton spider mites’ damage
level based on deep learning. International Journal of Agricultural and Biological Engineering, 12(6), 129.
https://doi.org/134. 10.25165/j.ijabe.20191206.4816
Download
Download Slideshow Get the original presentation fileQuick Actions
Statistics
- Views 12
- Slides 14
- Age 359 days
Related Slideshows
36
Clinical approach Dyspnoea A simple and practical approach.pptx
ShajahanPS
24 views
238
Cancer Awareness therapy for public by Dr Kanhu Charan Patro
kanhucpatro
24 views
41
Prof Satyadas Memorial oration Kozhikode.pptx
ShajahanPS
19 views
26
Viral Conjunctivitis and it;s managment.pptx
ZaidAzhar
34 views
30
Essential Thrombocythemia 15 Years of Experience at the Hematology Department, Algies, Algeria.pdf
sbelakehal
30 views
10
Hypertension sign symptoms cmdt style with regime
androiddabest
31 views