شمارش خودكار حشرات كامل كرم سيب .Cydia pomonella L در تله‌ فرموني با استفاده از يادگيري عميق

Automatic Counting of Codling Moth, Cydia pomonella L. in Pheromone Trap using Deep Learning

نظارت بر حشرات آفت يك امر حياتي در مديريت آفات بر پايه‌ي سيستم‌‌هاي فرمون است. با توجه به اينكه سيب يكي از مهم‌ترين محصولات باغباني كشور است، آگاهي از جمعيت آفات موجود در باغ‌هاي سيب از مهم‌تر‌‌ين اقدامات بحث مديريت اين محصول مي‌باشد. بدون شناخت گونه‌هاي حشرات و انبوهي آنها نمي‌توان تصميم صحيحي درباره مديريت آفات اتخاذ كرد. از طرف ديگر، شمارش اين حشرات، از روي تصاوير‌ي‌ كه از تله‌هاي فرموني بدست مي آيد به صورت دستي انجام مي‌شود و اين كار خيلي كند، گران و زمان‌بر است و نيازمند وجود متخصص خبره مي‌باشد. در اين تحقيق، روشي خودكار براي شمارش حشرات كامل كرم سيب ارائه خواهد شد. از آنجايي كه در سال‌هاي اخير، استفاده از شبكه‌هاي عصبي كانولوشن (CNN) در زمينه بينايي ماشين و پردازش تصوير، بالاترين دقت‌ها را در حل مسائل مختلف داشته است، روش پيشنهادي اين پژوهش نيز، مبتني بر شبكه‌هاي عصبي كانولوشن خواهد بود. شبكه‌هاي عصبي كانولوشن، يكي از محبوب‌ترين تكنيك‌هاي يادگير‌ي عميق در بحث بينايي ماشين هستند. اين تكنيك، با بهره‌گير‌ي از يادگيري سلسله مراتبي، مي‌تواند به صورت خودكار، ويژگي‌هاي موجود در تصوير را استخراج كند. با استفاده از روش افزايش داده‌ها، 3403 تصوير از كرم سيب بدست آمد. از طريق الگوريتم YOLOv5s به مقدار mAP=93/20، رسيديم. نتيجه حاكي از دقت بسيار بالاي سيستم طراحي شده در حشرات كامل اين آفت بود.

Pest control is a vital part of pheromone-based pest management. Considering that, apple is one of the most important horticultural products in the country, awareness of the pest population in apple orchards is one of the most important proceedings in the management of this product. Because without identification of insect species and their masses, it is impossible to make the right decision about pest management. On the other hand, the counting of these insects is done manually from images obtained from pheromone traps, and this is very slow, expensive and time-consuming, and requires the presence of an expert. In this study, an automated method for counting Cydia Pomonella will be presented. Since in recent years, the use of Convolutional neural networks (CNN) in the field of machine vision and image processing has had the highest accuracy in solving various problems, the proposed method of this research will be based on Convolutional neural networks. Convolutional neural networks are one of the most popular deep learning techniques in the discussion of machine vision. This technique, Using hierarchical learning, can automatically extract the features in the image. We obtained 3403 images of Cydia Pomonella using the data augmentation method. And through the YOLOv5s algorithm we reached the 93/20 mAP value. The result showed a very high accuracy of the system designed in adult insects of this pest.