آفات و بیماری های گیاهی

باغبانی در حیاط شما جنبه های مثبتی دارد، اما یک جنبه منفی هم دارد: آفات و بیماری هایی که به گیاهان زیبا و سبزیجات خوشمزه خانگی شما حمله می کنند. این حملات معمولاً برای گیاه کشنده نیستند، اما نظارت منظم بر باغ شما را به اندازه کافی زودتر از یک مشکل آگاه می‌کند تا از آسیب‌های عمده جلوگیری کرده و آن را در جوانه‌ها از بین ببرد. 

با پیشرفت مستمر اصلاحات کشاورزی، فناوری مدرن ارتباط تنگاتنگی با توسعه کشاورزی دارد. توسعه پایدار کشاورزی مدرن دیگر محدود به استفاده از منابع طبیعی نیست، بلکه شامل درک و کنترل منابع اطلاعاتی نیز می شود . در سال های اخیر، وخامت مداوم محیط زیست محیطی، ساختار اکولوژیکی را شکننده تر می کند. بیماری های محصول و آفات حشرات اغلب شیوع گسترده ای دارند . شیوع مکرر بیماری های زراعی و آفات حشرات به طور مستقیم بر کمیت و کیفیت محصولات کشاورزی تأثیر می گذارد و منجر به زیان های اقتصادی می شود . بنابراین بررسی کنترل بیماری های زراعی و آفات حشرات برای جلوگیری از تلفات غیر ضروری ضروری است.

اولین وظیفه بیماریهای زراعی و کنترل آفات حشرات، شناسایی سریع و دقیق بیماریهای محصول و آفات حشرات است تا در آینده ارزیابی خطر و درمان کنترلی انجام شود . در این میان، تجزیه و تحلیل آماری و پیش بینی همان نوع بیماری ها و آفات حشرات از طریق حجم زیادی از داده های موردی نیز بسیار حائز اهمیت است . در گذشته کنترل آفات معمولاً با آمار و تجزیه و تحلیل دستی انجام می شد و پرسنل فنی مربوطه یا کارشناسان کشاورزی با تکیه بر تجربه، نوع آفت را از طریق بازرسی، اندازه گیری و محاسبه آماری خسته کننده و مکرر تعیین می کردند . اما با توجه به تفاوت‌های موجود در تجربیات و فناوری‌های مصنوعی، شناسایی بیماری‌ها و آفات دقیق نیست و انحرافات و حذفیاتی در نحوه پردازش داده‌ها وجود خواهد داشت، بنابراین نیاز مبرمی به فناوری اطلاعات نوین برای پشتیبانی از آن است. 

پس از سال ها اکتشاف، دستاوردهایی در شناسایی بیماری های محصولات زراعی و آفات حشرات حاصل شده است. مرجع روش‌های شناسایی بیماری‌های مختلف محصولات زراعی را عمیقاً تجزیه و تحلیل کرد و فن‌آوری‌های کنترل آن‌ها را مورد بررسی قرار داد، که راهنمایی‌های فنی برای حل مؤثر مشکلات بیماری‌ها و آفات در فرآیند رشد توت‌فرنگی ارائه کرد. مرجع بیماری های جدید و آفات حشرات را در جنگل Aquilaria sinensis تجزیه و تحلیل کرد. با مقایسه آفات و انواع بیماری در مزرعه، این مقاله مدیریت جامع تهدیدات بیماری ها و آفات حشرات را انجام داد که به طور موثری از تکامل وضعیت اپیدمی در مزرعه جلوگیری کرد. الگوریتم‌های یادگیری ماشین و یادگیری عمیق در سال‌های اخیر برای شناسایی بیماری‌ها و آفات، مانند فناوری تشخیص فازی، ماشین بردار پشتیبان، و شبکه عصبی پس انتشار سنتی (BP) استفاده شده‌اند . در  یک روش پردازش تصویر فازی محلی مبتنی بر یادگیری عمیق برای شناسایی بیماری های محصول و آفات حشرات پیشنهاد شده است و نتایج تجربی نشان می دهد که این روش موثر است. با این حال، فرآیند پیش پردازش داده پیچیده است . در ، یک روش تشخیص بیماری های گیاهی برنج و آفات حشرات بر اساس یادگیری عمیق طراحی شده است که با کاهش اندازه مدل، کارایی تشخیص را بهبود می بخشد. با این حال، فقط یک محصول، بیماری یا آفت حشره را هدف قرار می دهد و عملکرد ضعیفی در تشخیص انواع بیماری ها و آفات حشرات دارد. مرجع  بیماری‌های محصول و آفات حشرات را در نیو ساوث هند مورد مطالعه قرار داد و انواع بیماری‌ها و آفات حشرات سرو هاریانا در جنوب غربی هند را تعیین کرد که برای پیشرفت مداوم کار پیشگیری و کنترل مفید است. مرجع از مدل Inception-ResNet-v2 برای تکمیل عملیات پیچیدگی ترکیبی برای شناسایی دقیق بیماری‌های محصول و آفات حشرات استفاده می‌کند، اما تنظیمات پارامتر مدل اصلی پیچیده است که برای کاربردهای عملی مناسب نیست. مرجع  یک معماری تشخیص ویدیویی مبتنی بر یادگیری عمیق را برای دستیابی به تشخیص دقیق بیماری‌های گیاهی و آفات حشرات پیشنهاد کرد، اما کارایی شناسایی انواع بیماری‌های گیاهی و آفات حشرات نیاز به بهبود دارد. مرجع  یک روش تشخیص تصویر برای تشخیص باکتری ها و قارچ ها بر اساس فناوری پردازش تصویر پیشنهاد کرد که به طور موثر دقت و کارایی تشخیص را بهبود می بخشد، اما این روش وابستگی زیادی به داده های اصلی دارد.

به منظور حل مشکلات پیش‌پردازش پیچیده داده‌ها و دقت تشخیص پایین، یک مدل تشخیص بیماری‌های محصول و آفات حشرات بر اساس یادگیری عمیق از دیدگاه حفاظت از محیط زیست اکولوژیکی پیشنهاد شده‌است. در مقایسه با مدل سنتی، نوآوری مدل پیشنهادی به صورت زیر خلاصه می شود:
(1) اندازه و تعداد اندازه هسته و اندازه گام هسته کانولوشن AlexNet منجر به بیش از حد مناسب شدن شبکه می شود. بنابراین، مدل پیشنهادی پنج لایه کانولوشن اول AlexNet را حفظ می‌کند و تمام لایه‌های اتصال کامل را حذف می‌کند تا دقت و کارایی مدل را بهبود بخشد.
(2) به منظور حل مشکل دقت پایین در شناسایی آفات محصول، مدل پیشنهادی از AlexNet بهبود یافته برای استخراج ویژگی‌ها استفاده می‌کند تا عملکرد تشخیص مدل را بیشتر بهبود بخشد.

فرآیند شناسایی بیماری‌های محصولات زراعی و آفات حشرات بر اساس شبکه‌های عصبی کانولوشن عمدتاً شامل جمع‌آوری و پیش پردازش مجموعه داده‌های تصویری، ساخت و آموزش شبکه‌های عصبی کانولوشن و تأیید صحت شبکه عصبی است.

نتیجه
روش‌های سنتی شناسایی مصنوعی و یادگیری ماشینی برای بیماری‌های محصول و شناسایی آفات حشرات دارای پیش پردازش داده‌های پیچیده‌ای هستند و درجه برازش مدل به دلیل مزایا و معایب ویژگی‌ها به شدت در نوسان است، بنابراین اثر تشخیص ضعیف است. بنابراین، این مقاله یک مدل تشخیص بیماری‌های محصول و آفات حشرات را بر اساس یادگیری عمیق از دیدگاه حفاظت از محیط زیست ارائه می‌کند. این مقاله لایه اتصال کامل شبکه AlexNet را بهبود می بخشد و از شبکه بهبود یافته برای تجزیه و تحلیل مجموعه تصویر محصول پیش پردازش شده استفاده می کند تا تشخیص بیماری ها و آفات محصول را درک کند. نتایج تجربی نشان می‌دهد که مدل پیشنهادی زمانی بهترین عملکرد را دارد که تعداد تصاویر ورودی تغییر کند و میانگین دقت تشخیص و زمان تشخیص آن برای بیماری‌ها و آفات گلابی به ترتیب 96.26% و 321 اینچ است که بهتر از سایر مدل‌های مقایسه هستند. در عین حال، هنگامی که مدل پیشنهادی برای سایر مجموعه‌های داده اعمال می‌شود، دقت تشخیص کمتر از 91٪ نیست و نرخ تلفات بیش از 0.320 نیست، که می‌تواند برخی از پشتیبانی فنی را برای تصمیم‌گیری آفات محصول فراهم کند. کنترل.

در تحقیقات شناسایی آفات محصولات زراعی، هنوز زمینه‌های زیادی وجود دارد که ارزش تحقیقات بیشتر را دارند، مانند نحوه محاسبه سریع منطقه مؤثر بیماری و قضاوت در مورد شدت بیماری و آفات حشرات در یک منطقه، تا بتوان درمان مؤثر و مؤثری را انجام داد. جلوگیری از ضررهای اقتصادی در مقیاس بزرگ این مشکلات هنوز مشکلات فوری هستند که باید در کار مدیریت آفات حل شوند، که همچنین محتوای تحقیقاتی کلیدی بعدی است.