۱٫ معرفی
بوتریتیس سینریاکه معمولاً به عنوان کپک خاکستری شناخته می شود، یک پاتوژن قارچی است که به طور قابل توجهی طیف وسیعی از محصولات کشاورزی را تحت تأثیر قرار می دهد. به طور گسترده ای شناخته شده است که این پاتوژن می تواند انواع بافت های گیاهی را آلوده کند و منجر به از دست دادن عملکرد قابل توجهی شود. [۱]. این بیماریزا تقریباً بر تمام محصولات سبزیجات و میوهها تأثیر میگذارد و در نتیجه سالانه بین ۱۰ تا ۱۰۰ میلیارد دلار در سراسر جهان خسارات وارد میشود. [۲]. این بیماری به دلیل شیوع سریع آن در شرایط مساعد مانند رطوبت بالا و دمای متوسط چالش برانگیز است. [۳,۴]. بوتریتیس سینریا می تواند محصولات را هم در مزرعه و هم در زمان ذخیره سازی پس از برداشت آلوده کند [۵]، آن را به یک تهدید دائمی در سراسر زنجیره تامین کشاورزی تبدیل می کند. علاوه بر این، ظرفیت پاتوژن برای ایجاد مقاومت در برابر قارچ کش های رایج، چالش را تشدید کرده است [۶]، نیاز به کاوش در شناسایی و راهبردهای مدیریت جایگزین دارد. تشخیص زودهنگام و دقیق ب. شام اجرای استراتژی های مدیریت قوی، کاهش خسارت به محصول و کاهش وابستگی به مداخلات شیمیایی ضروری است. [۶,۷]. روش های سنتی برای تشخیص پاتوژن های گیاهی مانند ب. شام اساساً بر بازرسی بصری و آزمایشهای تشخیصی مبتنی بر آزمایشگاه تکیه کردهاند [۸]. با این حال، این رویکردها اغلب کند هستند، به تلاش دستی قابل توجهی نیاز دارند و مستعد خطاهای انسانی هستند. ظهور تکنیکهای تشخیص مبتنی بر تصویر، استفاده از قدرت تصویربرداری چند طیفی و یادگیری عمیق (DL)، رویکرد مدیریت بیماریهای گیاهی را متحول کرده است. [۹].
DL به طور قابل توجهی دامنه آسیب شناسی گیاهی را توسعه داده است و روش های پیچیده تر و دقیق تر تشخیص بیماری را تسهیل می کند [۱۰,۱۱]. با استفاده از الگوریتمهای پیچیده، سیستمهای DL میتوانند مقادیر زیادی از دادههای تصویر را پردازش و تجزیه و تحلیل کنند، الگوها و ناهنجاریهایی را که نشاندهنده بیماریهای گیاهی هستند، شناسایی کنند. [۱۲]. این فناوری به ویژه در تشخیص بیماری ها از روی تصاویر دیجیتال موثر بوده است [۱۳]، روشی که چندین مزیت را نسبت به بازرسی بصری سنتی ارائه می دهد. مدلهای DL پتانسیل قابلتوجهی در بهبود دقت تشخیصی و انطباق با وظایف مختلف، مانند تشخیص اشیا و تقسیمبندی معنایی، از طریق توانایی خود در یادگیری خودکار ویژگیها از مجموعه دادههای داده شده و مدیریت تبدیلها نشان دادهاند. [۱۴]. این سازگاری هنگام برخورد با طبیعت متنوع و در حال تکامل پاتوژن های گیاهی بسیار مهم است. علاوه بر این، برنامه های DL به پیش بینی گسترش و شدت بیماری گسترش می یابد و بینش های ارزشمندی را برای مدیریت محصول و فرآیندهای تصمیم گیری ارائه می دهد. [۱۵]. ادغام DL در آسیب شناسی گیاهی نه تنها تشخیص بیماری را افزایش می دهد، بلکه اثربخشی و طول عمر فعالیت های کشاورزی را نیز بهبود می بخشد. [۱۶].
Vision Transformers (ViTs) رویکرد جدیدی را برای تجزیه و تحلیل تصویر معرفی کرده اند که تغییر قابل توجهی را از روش های سنتی پردازش تصویر نشان می دهد. [۱۷]. برخلاف تکنیکهای قبلی که به شدت بر استخراج ویژگیهای محلی تکیه میکنند، ViTs با تقسیم کردن تصاویر به مجموعهای از وصلهها و بکارگیری مکانیسمهای توجه به خود، به تحلیل تصویر نزدیک میشوند. [۱۸]. این به آنها اجازه می دهد تا روابط متقابل پیچیده بین بخش های مختلف یک تصویر را ضبط و پردازش کنند [۱۹]. در زمینه آسیب شناسی گیاهی، ViTs می تواند تجزیه و تحلیل جامع تری از سلامت گیاه ارائه دهد و علائم بیماری را که ممکن است با روش های مرسوم دیگر نادیده گرفته شود، شناسایی کند. [۲۰]. کاربرد آنها در تجزیه و تحلیل تصویر کشاورزی هنوز نسبتاً جدید است، اما نویدبخش بهبود دقت و کارایی در شناسایی بیماری ها، به ویژه در مجموعه داده های پیچیده و متنوع است. [۲۱].
در بخشبندی، ViTs مدلهای معماری را ارائه میکند و به مدلها اجازه میدهد تا نه تنها زمینه هر بخش را در یک تصویر تشخیص دهند، بلکه درک کنند. [۲۲]. این توانایی برای شناسایی دقیق مراحل مختلف بیماری های گیاهی، تمایز بین بافت سالم و بیمار، و ارائه دیدگاه های دقیق از نحوه توزیع علائم بیماری در یک گیاه بسیار مهم است. [۲۱]. ادغام ViTs در مدلهای تقسیمبندی نشاندهنده پیشرفت قابلتوجهی است که یک روش روشنفکر و حساس به زمینه برای تجزیه و تحلیل تصویر ارائه میدهد.
تقویت داده ها جنبه کلیدی بسیاری از سیستم های بینایی و مجموعه داده های نامتعادل است. با در نظر گرفتن این هدف، تکنیکی به نام برش و چسباندن [۲۳] به عنوان روشی موثر برای افزایش مصنوعی مجموعه دادهها با تولید تصاویر مصنوعی مورد توجه قرار گرفته است [۲۴]. کاربرد معمول این تکنیک شامل برش اشیاء از تصاویر اصلی و چسباندن آنها به تصویر دیگر است، در نتیجه یک تصویر کاملا جدید با اشیاء بیشتر مورد علاقه محققان ایجاد می شود. پیادهسازی اولیه این رویکرد بر این تمرکز داشت که مدلها قادر به تشخیص واقعی و جعلی در تصویر باشند.
استفاده از تصویربرداری چند طیفی در کشاورزی مدرن بسیار مهم است و ابزاری غیرتهاجمی و کارآمد برای نظارت بر سرزندگی محصول و شناسایی شاخصهای اولیه بیماری ارائه میکند. [۲۵]. این فناوری تصاویر را در طول موج های مختلف، از جمله فراتر از طیف مرئی، ثبت می کند و امکان تشخیص تغییرات فیزیولوژیکی در گیاهان را که قبل از علائم قابل مشاهده است، فراهم می کند. [۲۶]. تصویربرداری چند طیفی می تواند تغییرات ظریف در بازتاب گیاه را شناسایی کند که اغلب نشان دهنده استرس یا بیماری است. [۲۷]. این قابلیت در تشخیص زودهنگام بیماری ارزشمند است، جایی که مداخله به موقع می تواند از آسیب گسترده به محصول جلوگیری کند. تصویربرداری چند طیفی داده های چند بعدی را ارائه می دهد که برای آموزش و بهینه سازی مدل DL مناسب است و دقت و اثربخشی آنها را در تشخیص بیماری افزایش می دهد. به این ترتیب، تصویربرداری چند طیفی نشان دهنده یک ابزار حیاتی در گذار به سمت کشاورزی دقیق است که استراتژیهای مدیریت محصول هدفمندتر و پایدارتر را ممکن میسازد. [۲۸].
همانطور که توسط تحقیقات اخیر ثابت شده است، بیماری های قارچی گیاهان را می توان با استفاده از تکنیک های یادگیری ماشین (ML) و DL شناسایی کرد. [۲۹,۳۰]. جیاکومگلو و همکاران (۲۰۲۳) [۳۱] تلقیح مصنوعی برگ بوته های خیار با ب. شام و از تصویربرداری چند طیفی همراه با DL برای تشخیص پاسخ قارچی استفاده کرد و به میانگین دقت متوسط (mAP) 0.88 دست یافت. بوجل و همکاران (۲۰۲۲) [۳۲] از یک مدل تقسیمبندی معنایی مبتنی بر DL برای تشخیص بیماری کپک خاکستری تلقیح شده مصنوعی در توتفرنگی استفاده کرد. مدل U-Net از تکنیکهای پردازش تصویر سنتی در تشخیص و تعیین کمیت کپکهای خاکستری بهتر عمل کرد و یک تقاطع روی اتحاد (IoU) 0.821 را نشان داد. سانچز و همکاران (۲۰۲۰) [۳۳] تکنیک های کاربردی ML، از جمله چندین تکنیک پردازش تصویر، تقسیم بندی، استخراج ویژگی و طبقه بندی، به منظور شناسایی و طبقه بندی ب. شام عفونت در انار یافته ها نشان داد که انتخاب انار ممکن است با دقت ۹۶ درصد انجام شود که می تواند به شناسایی و طبقه بندی خودکار انار کمک کند. ب. شام. الیاس و همکاران (۲۰۲۱) [۳۴] یک چارچوب مبتنی بر DL شامل ماژولهایی برای مدیریت ابعاد میدان پذیرنده، انتقال ویژگی برجسته و پیچیدگی محاسباتی برای شناسایی و طبقهبندی کلاسهای مختلف میوههای توت فرنگی، از جمله میوههای بیمار، پیشنهاد کرد. رویکرد آنها منجر به بهبود ۳ درصدی در میانگین تقاطع بیش از اتحادیه نسبت به سایر مدلهای بخشبندی معنایی پیشرفته شد و میوههای آلوده را با دقت ۹۲٫۴۵ درصد شناسایی کرد. سان و همکاران (۲۰۱۸) [۳۵] از تصویربرداری چند طیفی برای ارزیابی شاخص های اولیه استفاده شد ب. شام در توت فرنگی برای پیش بینی عفونت زودرس کپک خاکستری. وانگ و همکاران (۲۰۲۱) [۳۶] یک رویکرد دو مرحلهای را معرفی کرد که از DeepLabV3+ برای تقسیمبندی برگهای خیار از پسزمینههای پیچیده و به دنبال آن U-Net برای تقسیمبندی برگهای آلوده استفاده میکند. این مدل به دقت تقسیم بندی برگ ۹۳٫۲۷٪ و دقت طبقه بندی شدت بیماری ۹۲٫۸۵٪ دست یافت که نشان دهنده استحکام در محیط های پیچیده است. قصروی و همکاران (۲۰۲۱) [۳۷] از مدلهای ML برای خوشهبندی، شناسایی و طبقهبندی بیماریهای گیاهان گوجهفرنگی، از جمله، ب. شامبا استفاده از تصاویر گوشی هوشمند از پنج بیماری، به دقت خوشهبندی ۷۰ درصد و دقت پیشبینی ۷۰٫۳ درصد و ۶۸٫۹ درصد با مدلهای شبکه عصبی و رگرسیون لجستیک دست یافت.
در کار قبلی ما، جیاکومگلو و همکاران. (۲۰۲۴) [۳۸]ما تلاش های اولیه را در توسعه مدل های تقسیم بندی برای تشخیص زودهنگام نشان دادیم ب. شام با استفاده از رمزگذارهای ResNet، که منجر به مقادیر IoU 67.1٪، ۳۹٫۳٪ و ۵۳٫۴٪ برای افراد سالم شد، ب. شامنامرئی و ب. شامکلاس های قابل مشاهده، به ترتیب. با این حال، مطالعه کنونی فراتر از این تلاشهای اولیه با استفاده از رمزگذارهای ViT است که عملکرد برتری نسبت به رمزگذارهای خانواده ResNet نشان دادهاند، در حالی که دیدگاههای مدلسازی هوش مصنوعی را نیز ارتقا میدهند. تحقیق فعلی ما شامل یک یادداشت مجدد جامع از ابتدا است که سیستم برچسبگذاری ۶ و ۳ کلاسه را در بر میگیرد. این حاشیهنویسی مجدد رویکرد قبلی ما را اصلاح میکند، جایی که پیشبینیهای مدل به برگهای بدون حاشیهنویسی گسترش مییابد، که منجر به تفسیرهای نادرست و کاهش عملکرد میشود. علاوه بر این، ما عملکرد دو معماری جدید را در ترکیب با ViTs معرفی و ارزیابی کردهایم. هدف اصلی شناسایی عفونت قارچی، قبل از ایجاد علائم، امکان مداخله به موقع برای کاهش استفاده از آفت کش ها، همراه با تلاش برای رفع عدم تعادل مجموعه داده ها با استفاده از تکنیک افزایش Cut-and-Paste است. این تکنیک افزایش سفارشی، که در بخش ۲٫۶ شرح داده شده است، به طور خاص برای تقویت کلاسهای ضعیفتر و بهبود نتایج کلی طراحی شده است که منجر به بهبود قابل توجهی در مقادیر IoU برای همه کلاسها میشود. به طور خاص، این روش افزایش منجر به افزایش ۱۴٫۲۹ درصدی برای طبقه سالم، افزایش ۵۶٫۴۵ درصدی برای شناسایی برگهای بدون عفونت بوتریتیس قابل مشاهده و افزایش ۲۳٫۲۷ درصدی برای شناسایی برگهایی با علائم قارچی آشکار شد. انگیزه های کلیدی این مطالعه عبارتند از: (۱) تشخیص زودهنگام ب. شام بیماری (ii) آدرس عدم تعادل مجموعه داده. (iii) درمان زودرس گیاهان آسیب دیده. (IV) کاهش استفاده از آفت کش ها در نتیجه تشخیص و درمان به موقع. (v) استفاده از مدلهای بهینه هوش مصنوعی برای شناسایی علائم در گیاهان در شرایط واقعی.
برای دستیابی به این اهداف، رویکردی برای تشخیص موثر توسعه داده شد ب. شامبا تمرکز بر شناسایی قارچ در مراحل مختلف رشد آن، به ویژه در مراحل اولیه. این آزمایش شامل رشد بوته های خیار در شرایط محیطی کنترل شده و معرفی پاتوژن با استفاده از دو روش تلقیح مجزا بود. این مطالعه تکامل بیماری را از طریق تصویربرداری چند طیفی به تصویر کشید، که به طور موثر علائم اولیه و نامرئی و مراحل بعدی و پیشرفتهتر عفونت را ثبت کرد. این مطالعه از مدل های خطی پیشرفت بیماری برای تجزیه و تحلیل بیماری در برگ های منفرد استفاده کرد. مدلهای تقسیمبندی با استفاده از یک سیستم برچسبگذاری سه کلاسه ارزیابی شدند. چهار معماری تقسیمبندی پیشرفته DL، یعنی U-Net++، PAN، MA-Net، و DeepLabV3+، در ترکیب با دو رمزگذار Vision Transformer (ViT) ارزیابی شدند. برای رسیدگی به عدم تعادل مجموعه داده ها و بهبود شناسایی و تقسیم بندی همه کلاس ها، از تکنیک تقویت برش و چسباندن استفاده شد. این روش تراکم محتوای تصویر را با افزایش حضور کلاسهای کمتر ارائهشده افزایش میدهد. با کپی کردن اشیاء از یک تصویر و چسباندن آنها بر روی تصویر دیگر، تصاویر جدیدی ایجاد میشوند که به طور موثر مجموعه دادههای آموزشی را ضرب میکنند و روند کلی تقویت را برای عملکرد بهتر مدل تقویت میکنند. نتایج این مطالعه بر قدرت مدلها در تشخیص تأکید میکند ب. شام در مراحل مختلف عفونت، پتانسیل خود را به عنوان ابزاری موثر برای مدیریت زودهنگام و دقیق بیماری در شیوه های کشاورزی به نمایش می گذارند. این رویکرد پتانسیل پیادهسازی در سیستمهای خودکار و روباتهای خود ناوبری، نظارت و کنترل بیماریهای کشاورزی را دارد. ادغام بالقوه در سیستمهای دیجیتالی در محل (مانند روباتها و برنامههای تلفن همراه) که در محیطهای دنیای واقعی کار میکنند، ارزش مدلهای تقسیمبندی DL مبتنی بر ViT را برای تشخیص دقیق و در زمان واقعی بیماری بوتریتیس نشان میدهد.
بقیه مقاله به شرح زیر سازماندهی شده است. بخش ۲ مواد و روش های به کار گرفته شده در این مطالعه، از جمله مواد گیاهی و قارچی، مدل های تقسیم بندی DL، تکنیک افزایش برش و چسباندن، و معیارهای ارزیابی مورد استفاده برای تشخیص را تشریح می کند. ب. شام در بوته های خیار بخش ۳ نتایج را نشان می دهد. این مطالعه در بخش ۴ به پایان می رسد.
۴٫ نتیجه گیری
مجموعه وسیعی از عوامل استرس زای زیستی و غیرزیستی که در محیط طبیعی وجود دارند، مانند آفات و بیماری ها، نیروی محرکه پشت تظاهرات علائم گیاهی هستند. از آنجایی که علائم مشابه می تواند توسط عوامل مختلفی ایجاد شود، تنها تکیه بر ویژگی های علائم برای شناسایی بیماری ایده آل نیست. از سوی دیگر، آزمایش های دقیق و گسترده برای معیارهای دقیق نیازمند زمان، نیروی کار، و مهارت ها و تجهیزات تخصصی است که اغلب در دسترس نیستند. ادغام تکنیک های DL در شیوه های کشاورزی نویدبخش افزایش کیفیت محصول با کمک به کشاورزان در شناسایی سریع و مدیریت موثر بیماری ها، به ویژه در عملیات گسترده است.
این مطالعه بر ب. شام بیماری و به ویژه در تشخیص زودهنگام و دیرهنگام علائم کپک خاکستری آن. این آزمایش بر روی بوتههای خیار رشد یافته در شرایط گلخانهای انجام شد. ارزیابی مدل U-Net++ همراه با رمزگذار MobileViTV2-1.25 و تکنیک Cut-and-Paste، mDSC 0.792، mIoU 0.816 و نرخ فراخوانی ۰٫۸۸۵ را به دست آورد که به دقت ۹۱٫۹ درصد دست یافت. علاوه بر این، مراحل اولیه را با موفقیت شناسایی کرد ب. شامبه IoU 0.518 در dpi 2 دست یافت، در حالی که در dpi 6 با IoU 0.615 به اوج خود رسید.
تکنیک افزایش برش و چسباندن در بهبود اثربخشی مدلهای DL با پرداختن به مسئله عدم تعادل مجموعه دادهها بسیار مهم بود. این روش شامل استخراج برگها از تصاویر و چسباندن پویا آنها بر روی تصاویر جدید در طول آموزش است که به طور موثر مجموعه داده آموزشی را ضرب میکند. با اولویت بندی طبقات کم نمایندگی با علائم نامرئی و قابل مشاهده از ب. شام، تکنیک Cut-and-Paste یک مجموعه داده متعادل تر را تضمین می کند. این رویکرد منجر به بهبود قابل توجهی در توانایی مدل در تقسیم بندی و طبقه بندی صحیح مراحل مختلف عفونت شد، با افزایش قابل توجهی در IoU به میزان ۱۴٫۲۹٪ برای طبقه سالم، ۵۶٫۴۵٪ برای طبقه نامرئی، و ۲۳٫۲۷٪ برای طبقه مرئی. ب. شام کلاس علائم موفقیت این روش تقویت بر اهمیت حیاتی به کارگیری تکنیکهای تقویت دادههای پیشرفته برای به حداکثر رساندن عملکرد مدل و به طور موثر رسیدگی به عدم تعادل مجموعه دادهها در توسعه مدلهای شناسایی بیماریهای گیاهی قوی و مؤثر تأکید میکند.
با تفسیر کیفی مطالعه، مشخص میشود که ادغام قابلیتهای ViT با معماریهای کانولوشنال سنتی، پیشرفتهای قابلتوجهی در تقسیمبندی و طبقهبندی بیماریهای گیاهی ایجاد میکند. این روش موفقیت آمیز برای شناسایی سریع بیماری ها بر نوید روش های پیشرفته DL در کشاورزی دقیق و مدیریت پیشگیرانه سلامت گلخانه تاکید می کند. این رویکرد همراه با تصویربرداری چند طیفی، راه حلی موثر برای پایش بیماری در زمان واقعی ارائه میکند و به کشاورزان اجازه میدهد تا اقدامات سریعتر و آگاهانهتری برای بهبود مدیریت سلامت گیاه انجام دهند. چنین مدلهای DL را میتوان بهطور یکپارچه با سایر سیستمهای دیجیتال، مانند روباتهای خود ناوبری و برنامههای تلفن همراه، ادغام کرد و اندازهگیریهای دقیق و بینش بصری را برای کشاورزان فراهم کرد. این پیشرفتهای فنآوری گامی امیدوارکننده به سمت بهینهسازی منابع در کشاورزی هوشمند، به حداقل رساندن ورودیهای شیمیایی و افزایش کارایی در بخش مزرعه به چنگال است.
مراحل آتی باید شامل آزمایش هایی با استفاده از سیستم حاشیه نویسی شش کلاسه موجود برای این مجموعه داده، و همچنین بررسی پتانسیل مدل DL برای تشخیص زودهنگام سایر بیماری های گیاهی باشد.
منبع: https://www.mdpi.com/2673-2688/5/3/63
