الفهرس 
INTRODUCTIONOnly 14 pages are availabe for public view
 |  | from | 95 |  |  |
| | | from | 95 | | |
Abstract
تعد الشبكات العصبية التلافيفية (CNN) ، باعتبارها تقنية ذكاء إصطناعي (AI) ، أمراً حيوياً في تحديد الميزات التي تؤثر فى التعرف على الصور. لذلك ، يستخدم البحث الحالى الشبكات العصبية التلافيفية لتشخيص أمراض أوراق الطماطم وكذلك الإجهاد الحراري من خلال الصور الملونة والصور الحرارية. تقدم الورقة أربعة نماذج للتعلم العميق للتدريب على الصور وهى نموذج VGG16 ونموذج Inception ResNet V2 و نموذج Inception V3 و نموذج SVGGNet.
يهدف البحث إلى تطوير منظومة متكاملة للتعرف على الأمراض النباتية من خلال استخدام تقنيات الذكاء الإصطناعي الحديثة وذلك لمساعدة المزراعين في التعرف على الأمراض النباتية ومن ثم مكافحتها. وتم تحقيق هذا الهدف من خلال:
1- دراسة نماذج CNN المختلفة للتعرف على أمراض أوراق الطماطم.
2- دراسة نماذج CNN المختلفة للتعرف على الاجهاد لأوراق الطماطم.
3- تصميم برنامج متكامل للتعرف على اللأمراض، وتشغيلة على جهاز منفصل يعمل دون الحاجه الى الإنترنت.
حيث تم تدريب صور أوراق الطماطم الصحية والمريضة (صور RGB) على نموذجين: Inception V3 و Inception ResNet V2. صور أوراق الطماطم المستخدمة في هذا البحث مأخوذة من قاعدة بيانات مفتوحة المصدر (PlantVillage) وصور مسجلة ميدانيًا. تم استخدام هذه الصور لتدريب كلا النموذجين و دراستهم عند معدلات تسرب 5 و 10 و 15 و 20 و 25 و 30 و 40 و 50٪.
كما تم تدريب الصور الحرارية لأوراق الطماطم المأخوذة من الحقل على النماذج الأربعة. تم استخدام نقل التعلم لتدريب نماذج VGG16 و Inception ResNet V2 و Inception V3 ، بينما تم تدريب نموذج SVGGNet من البداية. تمت دراسة نسب التسرب لجميع النماذج عند نسب 20 و 40 و 60 و 80٪ بحجم صورة 299 × 299 بكسل.
فى النهاية، تم إنشاء برنامج للتعرف على أوراق الطماطم ومنع تشخيص النباتات الأخرى أو العناصر غير النباتية لبناء نموذج متكامل للكشف عن أمراض أوراق الطماطم. تم تعليم النموذج لتحديد ما إذا كانت الصورة عبارة عن محصول أم لا ، وتم تدريب نموذج آخر لتحديد ما إذا كان النبات عبارة عن طماطم أم لا. تم ربط هذه النماذج بنموذج يستخدم للكشف عن الأمراض في الطماطم. تم تنفيذ البرنامج أيضًا على Raspberry Pi ليتم تشغيله دون الحاجة إلى الاتصال بالإنترنت.
أظهرت أهم النتائج عند تدريب صور RGB لأمراض النبات تفوق كلا النموذجين. تم تحقيق أعلى دقة بلغت 99.23٪ من خلال نموذج Inception V3 بمعدل تسرب 15٪ وخسارة 0.0342. يلية نموذج Inception ResNet V2 بمعدل تسرب 15% حيث حقق دقة 99.04% وخسارة بقيمة 0.0309. بالإضافة إلى ذلك ، أظهرت مصفوفات الارتباك تفوق نموذج Inception V3 بمعدل تسرب 15٪ في تصنيف صور الاختبار ، حيث حددت بشكل صحيح 518 صورة من أصل 522 صورة. كما أعطت جميع النماذج المقترحة نتائج مرضية في تشخيص أمراض الطماطم تحت الظروف الحقلية.
وكانت النتيجة الأكثر أهمية عند تدريب الصور الحرارية محدودة الحجم لتشخيص الإجهاد الحراري تفوق نموذج SVGGNet الذي تم تدريبه منذ البداية على النماذج الأخرى في جميع نسب التسرب التي تمت دراستها. أفضل نتيجة كانت عند نسبة تسرب 40٪ وجاءت نتائجه بدقة 96.88٪ وخسارة 19.66٪. لقد ثبت أنه ليس من الأفضل تدريب البيانات الحرارية على نطاق صغير باستخدام تعلم النقل ، ولكن من الأفضل تدريب النموذج من البداية.
كما كانت نتائج النظام المصمم لتشخيص أمراض الطماطم واعدة. أعطى نموذج التعرف على المرض أقل دقة وأكبر خسارة بين نماذج النظام بقيمة 98.83٪ و 0.0342 على التوالي. تعتبر هذه الدقة هي دقة عمل البرنامج. مما سبق، يمكن التوصية باستخدام نماذج التعلم العميق المقترحة لتشخيص أمراض الطماطم لدعم نظام متكامل لتشخيص الأمراض النباتية المختلفة.