موسسه تحقیقات فنی و مهندسی کشاورزی تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی 3060-6748 مقالات آماده انتشار 2026 08 03 Design and Implementation of a Web-Based Intelligent System for Kiwifruit Leaf Disease Detection Using Deep Learning طراحی و پیاده‌سازی سامانه هوشمند تحت وب برای تشخیص بیماری‌های برگ کیوی مبتنی بر یادگیری عمیق 135937 10.22092/amsr.2026.372416.1534 FA امیرحسین حسینی خطبه سرا دانش‌آموخته کارشناسی ارشد مهندسی کامپیوتر – گرایش مهندسی نرم‌افزار، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. مهدی صادق زاده دانشیار، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. Journal Article 2026 02 26 In this study, a web-based intelligent system for kiwifruit leaf disease diagnosis through image analysis was developed. The proposed system is capable of identifying four conditions: healthy leaves, nematode infection, Alternaria, and Phytophthora. The system was evaluated using the AgriVision-Kiwi benchmark dataset, which has been employed in previous studies on kiwifruit leaf disease detection. In the first stage, the You Only Look Once version 11 (YOLOv11) algorithm was utilized to detect and extract leaf regions. Subsequently, disease classification was performed using the MobileNet-V3 deep learning architecture. The system was implemented in Python using the FastAPI framework, while data management was handled through a MySQL database.Evaluation results obtained through 10-fold cross-validation on the AgriVision-Kiwi dataset demonstrated an overall Accuracy of 99.703%, a Macro Precision of 99.7119%, a Macro Recall of 99.703%, and a Macro F1-score of 99.703%. These findings indicate the capability of the proposed system to accurately identify healthy leaves, nematode infection, Alternaria, and Phytophthora diseases. Furthermore, the results suggest that the proposed system has strong potential for practical deployment in real-world kiwifruit orchards. In addition, the web-based nature of the system enhances accessibility for users and enables its application under field conditions without requiring specialized or complex equipment. در این پژوهش، یک سامانه هوشمند تحت وب برای تشخیص بیماری‌های برگ درخت کیوی از طریق تحلیل تصاویر ارائه شده است. سامانه پیشنهادی قادر به شناسایی چهار وضعیت شامل سالم، نماتد، آلترناریا و فیتوفتورا است. ارزیابی سامانه با استفاده از مجموعه‌داده مرجع AgriVision-Kiwi انجام شد که در مطالعات پیشین برای تشخیص بیماری‌های برگ کیوی مورد استفاده قرار گرفته است. در گام نخست، برای آشکارسازی ناحیه برگ‌ها از الگوریتم You Only Look Once نسخه ۱۱ (YOLOv11) استفاده شد. سپس تشخیص بیماری با بهره‌گیری از معماری یادگیری عمیق MobileNet-V3 انجام گرفت. سامانه با استفاده از زبان پایتون و چارچوب FastAPI توسعه یافته و مدیریت داده‌ها از طریق پایگاه داده MySQL صورت گرفته است. نتایج ارزیابی سامانه بر روی مجموعه‌داده AgriVision-Kiwi با استفاده از اعتبارسنجی متقاطع ۱۰ بخشی نشان داد که مقدار صحت کلی (Accuracy) برابر با ۹۹.۷۰۳٪، دقت میانگین ماکرو (Macro Precision) برابر با ۹۹.۷۱۱۹٪، بازخوانی میانگین ماکرو (Macro Recall) برابر با ۹۹.۷۰۳٪ و معیار F1 میانگین ماکرو برابر با ۹۹.۷۰۳٪ است. این نتایج بیانگر توانایی سامانه در شناسایی چهار وضعیت برگ سالم، نماتد، آلترناریا و فیتوفتورا است و نشان می‌دهد که سامانه پیشنهادی از ظرفیت مناسبی برای کاربرد در محیط‌های واقعی باغات کیوی برخوردار است. علاوه بر این، ماهیت تحت وب سامانه موجب افزایش دسترس‌پذیری برای کاربران شده و امکان استفاده در شرایط واقعی باغ بدون نیاز به تجهیزات پیچیده را فراهم می‌کند.