طراحی و پیاده‌سازی سامانه هوشمند تحت وب برای تشخیص بیماری‌های برگ کیوی مبتنی بر یادگیری عمیق

حسینی خطبه سرا, امیرحسین; صادق زاده, مهدی

doi:10.22092/amsr.2026.372416.1534

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانش‌آموخته کارشناسی ارشد مهندسی کامپیوتر (گرایش نرم‌افزار)، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

² دانشیار، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

10.22092/amsr.2026.372416.1534

چکیده

در این پژوهش، یک سامانه هوشمند تحت وب برای تشخیص بیماری‌های برگ درخت کیوی از طریق تحلیل تصاویر آن ارائه شده است. سامانه پیشنهادی می‌تواند این چهار وضعیت برگ را شناسایی کند: سالم بودن برگ، آلوده بودن ریشه کیوی به نماتد، آلوده بودن برگ به آلترناریا و آلوده بودن برگ به فیتوفتورا. ارزیابی سامانه با استفاده از مجموعه‌ داده مرجع AgriVision-Kiwi انجام شد که در مطالعات پیشین برای تشخیص بیماری‌های برگ کیوی استفاده شده است. در گام نخست، برای آشکارسازی ناحیه برگ‌ها از الگوریتم
You Only Look Once نسخه ۱۱ (YOLOv11) استفاده شد. پس از آن، بیماری با بهره‌گیری از معماری یادگیری عمیق MobileNet-V3 تشخیص داده شد. 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 پیشنهادی روی مجموعه‌ داده AgriVision-Kiwi با استفاده از اعتبارسنجی متقاطع 10 بخشی نشان داد که مقدار صحت کلی برابر با 703/99 درصد، دقت میانگین ماکرو برابر با 712/99 درصد، حساسیت میانگین ماکرو برابر با 703/99 درصد و معیار F1 میانگین ماکرو برابر با 703/99 درصد است. این نتایج بیانگر توانایی سامانه در شناسایی چهار وضعیت برگ است: سالم بودن برگ، آلوده بودن ریشه کیوی به نماتد، آلوده بودن برگ آلترناریا و آلوده بودن برگ فیتوفتورا. یافته‌ها همچنین نشان می‌دهند که سامانه پیشنهادی ظرفیت مناسبی برای کاربرد در محیط‌های واقعی باغ های کیوی دارد. 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.

کلیدواژه‌ها

مراجع

Anon. (2024). Report on area, production, and yield of kiwi fruit by province (Table 50-1-3). Ministry of Agriculture Jihad, Iran. (in Persian)

Aydınlı, G., & Mennan, S, (2022). Prevalence of root-knot nematodes and their effects on fruit yield in kiwifruit orchards in Samsun Province (Türkiye). Turkish Journal of Entomology, 46(2), 187-197. https://doi.org/10.16970/entoted.1092654.

Banihashemian, S. N., Jamali, S., Golmohammadi, M., & Ghasemnezhad, M. (2022). Isolation and identification of endophytic bacteria associated with kiwifruit and their biocontrol potential against Meloidogyne incognita. Egyptian Journal of Biological Pest Control, 32(1), 111. https://doi.org/ 10.1186/s41938-022-00601-y.

Bansal, A., Sharma, R., Sharma, V., Jain, A. K., & Kukreja, V. (2023). An automated approach for accurate detection and classification of kiwi powdery mildew disease. Proceedings of the 2023 IEEE 8th International Conference for Convergence in Technology (I2CT). April. 7. Lonavla, India. http://doi: 10. 1109/I2CT57861. 2023. 10126126.

تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی/جلد 25/ شماره 91/پاییز 1403/ص 104-87

Bi, X., Hieno, A., Otsubo, K., Kageyama, K., Liu, G., & Li, M. A. (2019). Multiplex PCR assay for three pathogenic phytophthora species related to kiwifruit diseases in China. Journal of General Plant Pathology, 85, 12-22. https://doi.org/10.1007/s10327-018-0822-3.

Coello Coello, C. A., Pulido, G. T., & Lechuga, M. S. (2004). Handling multiple objectives with particle swarm optimization. IEEE Transactions on Evolutionary Computation, 8(3), 256-279. https://doi.org/ 10.1109/TEVC.2004.826067.

El-Borai, F. E., & Duncan, L. W. (2005). Nematode parasites of subtropical and tropical fruit tree crops. In M. Luc, M., Sikora, R. A., and Bridge, J. (Eds) Plant parasitic nematodes in subtropical and tropical agriculture, CABI Pub. Wallingford, UK. https://doi.org/10.1079/9780851997278.0467.

Filippone, M., Camastra, F., Masulli, F., & Rovetta, S. A. (2008). Survey of kernel and spectral methods for clustering. Pattern Recognit, 41, 176-190. doi:https://doi.org/10.1016/j.patcog.2007.05.018.

Govender, P., & Sivakumar, V. (2020). Application of k-means and hierarchical clustering techniques for analysis of air pollution: A review (1980-2019). Atmospheric Pollution Research (APR), 11, 40-56. https://doi.org/10.1016/j.apr.2019.09.009.

Gonçalves, A. R., Conceição, I. L., Carvalho, R. P., & Costa, S. R. (2025). Meloidogyne hapla dominates plant‐parasitic nematode communities associated with kiwifruit orchards in Portugal. Plant Pathology, 74(1), 171-179.‏ https://doi.org/10.1111/ppa.14005.

Hosny, K. M., El-Hady, W. M., Samy, F. M., Vrochidou, E., & Papakostas, G. A. (2023). Multi-class classification of plant leaf diseases using feature fusion of deep convolutional neural network and local binary pattern. IEEE Access, 11, 62307-62317. https://doi.org/10.1109/ACCESS.2023.3286730.

Huang, K., Tang, J., Zou, Y., Sun, X., Lan, J., Wang, W., Xu, P., Wu, X., Ma, R., Wang, Q., Wang, Z., & Liu, J. (2021). Whole genome sequence of alternaria alternata, the causal agent of black spot of kiwifruit. Frontiers in Microbiology, 12, 713462. https://doi.org/10.3389/fmicb.2021.713462.

Kalampokas, T., Vrochidou, E., Mavridou, E., Iliadis, L., Voglitsis, D., Michalopoulou, M., Broufas, G., & Papakostas, G. A. (2025). Empowering kiwifruit cultivation with AI: Leaf disease recognition using agrivision-kiwi open dataset. Electronics, 14(9), 1705. https://doi.org/10.3390/electronics14091705.

Khanam, R., & Hussain, M. (2024). YOLOv11: An overview of the key architectural enhancements. arXiv. https://arxiv.org/abs/2410.17725.

Liu, J., & Wang, X. (2021). Diseases and pests detection based on deep learning: A Review. Plant Methods, 17, 22. https://doi. org/10.1186/s13007-021-00722-9.

Mridha, K., Ranpariya, A., Kumbhani, S., Ghosh, A., & Shaw, R. N. (2021). Plant disease detection using web application by neural network. Proceedings of the 2021 IEEE 6^th International Conference on Computing, Communication and Automation (ICCCA). Dec. 17-19, Arad, Romania. https://doi.org/10.1109/ICCCA52192.2021.9666354.

Shakya, S. (2020). Analysis of artificial intelligence based image classification techniques. Journal of Innovative Image Processing (JIIP), 2(01), 44-54. ‏https://doi.org/10.36548/jiip.2020.1.005.

Tao, Y., Xu, C., Yuan, C., Wang, H., Lin, B., Zhuo, K., & Liao, J. (2017). Meloidogyne aberrans sp. nov.(Nematoda: Meloidogynidae), a new root-knot nematode parasitizing kiwifruit in China. PloS one, 12(8), e0182627.‏ https://doi.org/10.1371/journal.pone.0182627.

Wu, Z., Li, X., Chung, K. L., & Chen, J. (2025). AI-powered identification of corn leaf diseases and pests: A flask-based web application for enhanced agricultural decision-making. In 2025 8^th World Conference

طراحی و پیاده‌سازی سامانه هوشمند ... حسینی خطبه‌سرا و صادق‌زاده

on Computing and Communication Technologies (WCCCT). April, 11-13, Shenzhen, China. https://doi.org/10.1109/WCCCT65447.2025.11027989.

Yao, J., Wang, Y., Xiang, Y., Yang, J., Zhu, Y., Li, X., Li, S., Zhang, J., & Gong, G. (2022). Two-stage detection algorithm for kiwifruit leaf diseases based on deep learning. Plants, 11(6), 768. https://doi.org/10.3390/plants11060768.

Zhu, Y., Xu, J., Wang, J., Yang, R., Chen, W., Yao, K., Ma, M., Chen, Q., Fan, Z., Wu, C., Hu, R., &
Gong, G. (2025). Different disease levels reveal kiwifruit brown spot impacts on fruit yield and quality. Journal of Fungi, 11(8), 593. https://doi.org/10.3390/jof11080593.

طراحی و پیاده‌سازی سامانه هوشمند تحت وب برای تشخیص بیماری‌های برگ کیوی مبتنی بر یادگیری عمیق

مراجع

مراجع

دوره 25، شماره 91 - شماره پیاپی 91دی 1403صفحه 87-104

دوره 25، شماره 91 - شماره پیاپی 91
دی 1403
صفحه 87-104