Includes a title page in Arabic

Thesis (Ph.D.) Doctoral Egypt - Japan University of Science and Technology (E-JUST) - School of Electronics , Communications and Computer Engineering - Electronics and Communication Engineering Department 2021

يعد الاكتشاف السريع و الدقيق لأمراض المحاصيل أمرًا ضروريًا للزراعة المستدامة تقليديا قام الخبراء بتشخيص أمراض المحاصيل من خلال الفحص البصري و مع ذلك فإن هذا مكلف و يستغرق وقتا طويلاً و غير عملي في كثير من الأحيان لحل هذه المشكلة أصبح البحث في استخدام تقنيات معالجة الصور للتعرف على أمراض النبات موضوع بحث هام في حين تم النظر في العديد من تقنيات التصوير من قبل العديد من الباحثين تركز هذه الأطروحة على استخدام صور ملونة بسبب التكلفة المنخفضة و التوافر العالي لكاميرات الملونة الرقمية ركزت الدراسات الحديثة على استخدام التعلم العميق بدلاً من تدريب المصنفات الضحلة باستخدام ميزات مصنوعة يدويًا للتعرف على الحالات الشاذة في المحاصيل و أوضح الباحثون الدقة العالية جدًا في التعرف خاصة عند استخدام صور الحالة المعملية لسوء الحظ تدهور أداء هذه النماذج بشكل كبير عند اختبارها على صور الحالة الميدانية تظهر الأبحاث أن الخلفيات المعقدة تساهم بشكل كبير في هذا الانخفاض في الأداء و أن إزالة الخلفية تعزز دقة التعرف على الأمراض تقترح هذه الرسالة نماذج و خوارزميات التعلم العميق لكل من الطرح التلقائي للخلفية و تجزئة الآفات من أنسجة الأوراق السليمة و التعرف على أمراض الأوراق من صور الآفات الفردية تستخدم الدراسات المقدمة في هذه الأطروحة صور الأوراق الملتقطة في ظل ظروف ميدانية صعبة لم يتم فرض أي قيود في وقت التقاط الصورة من حيث اتجاه الكاميرا أو الإضاءة أو طلب وضع ورقة ملونة خلف الورقة لإغلاق الخلفية المعقدة و بالتالي تحتوي الصور على أوراق مستهدفة محاطة بسمات خلفية مختلفة متداخلة مثل الأوراق الأخرى و الفروع و السيقان و الفواكه و النشارة و التربة و الأيدي البشرية جميع نماذج التجزئة الدلالية المقترحة تلقائية بالكامل في تشغيلها و تتفوق في الأداء على تقنيات الطرح الخلفية المتنافسة مثل تلك القائمة على المضلع النشط البارامترى و خوارزميات GrabCut بالإضافة إلى ذلك تم تطوير بنية الشبكات العصبية التلافيفية جديدة أطلقنا عليها اسم KijaniNet من خلال تقديم تلافيف متعددة النطاقات إلى بنية U - Net و تستخلص التلافيفات متعددة النطاقات مستوى أعلى من التفاصيل مما ينتج عنه أقنعة أكثر دقة مقارنة بتلك التي تنتجها شبكات U - Net و SegNet للتغلب على التحدي الذي يمثله عدم توفر مجموعات البيانات الكبيرة التي تعتبر ضرورية لتدريب نماذج الشبكات العصبية التلافيفية القوية هناك حاجة لإيجاد طرق مبتكرة لتوسيع مجموعات البيانات المتاحة بالفعل في هذا المجال من المعروف أن تدريب الشبكات العصبية التلافيفية على التعرف على الآفات يؤدي إلى توسيع مجموعة البيانات إلى حد كبير و تحسين دقة التعرف على الأمراض بشكل كبيرعلاوة على ذلك فإن التعرف على الأمراض من الآفات الفردية يسهل التحديد الموثوق به للتشوهات المتعددة التي تظهر على نفس الورقة لم يتم تناول حل لمشكلة الاستخراج التلقائي و تصنيف الآفات الفردية من صور الحالة الميدانية المعقدة في الأدبيات المنشورة في هذه الأطروحة تم اقتراح خوارزمية آلية بالكامل لتجزئة الصور و تصنيف الآفات الفردية باستخدام نماذج التعلم العميق يستخدم نموذج الشبكات العصبية التلافيفية للتجزئة الدلالية لتحديد الآفات على الورقة ثم يتم اقتصاص هذه الآفات من الصورة الأصلية و تصنيفها بشكل فردي باستخدام مصنف الشبكات العصبية التلافيفية لتبسيط مهمة وسم أوراق الشجر و البكسل في الصور أيضا تم اقتراح خوارزمية رعة البيانات تنشئ هذه الخوارزمية شبه الأوتوماتيكية خرائط بكسل للصور تُستخدم لتدريب التجزئة شبه آلية لإعداد مجموعة البيانات الدلالية لشبكة الشبكات العصبية التلافيفية و صور الآفات المقطوعة المستخدمة لتدريب المصنف الشبكات العصبية التلافيفية أخيرًا تم اقتراح نموذج الشبكات العصبية التلافيفية المضغوط للتعرف على أمراض الأوراق من الآفات الفردية التي تتفوق على منافسيها يستخدم النموذج المسمى SwapNet شبكة استخراج الميزات المشتركة لأداء مهام التجزئة و التعرف على الآفات علاوة على ذلك يتم استخدام التلافيف القابلة للفصل بعمق في جميع أنحاء نموذج SwapNet مما يؤدي إلى نموذج يتفوق على جميع الطرق المنافسة على الرغم من كونه أصغر بنسبة 70% من منافسيها

Issued also as a digital file (for more information please check our Digital Repository)

(ECCE) School of Electronics, Communications and Computer Engineering (ECE) Electronics and Communications Engineering