نوع مقاله : مقاله پژوهشی
نویسندگان
1
نویسنده مسئول، محقق، بخش تحقیقات جنگل و مرتع، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان چهارمحال و بختیاری، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد ، ایران
2
دانشجوی کارشناسی مهندسی حرفهای کامپیوتر، گروه کامپیوتر، دانشگاه ملی مهارت مهاجر، اصفهان، ایران
3
استادیار، بخش تحقیقات جنگل و مرتع، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان چهارمحال و بختیاری، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد ، ایران
4
کارشناس، اداره کل منابع طبیعی و آبخیزداری استان چهارمحال و بختیاری، سازمان منابع طبیعی و آبخیزداری کشور، شهرکرد، ایران
چکیده
سابقه و هدف: گالهای بلوط، ساختارهای رشدکرده غیر طبیعی هستند که در نتیجه تعاملات پیچیده بین گیاه و عوامل القاکننده (مانند حشرات گالزا) پدید میآیند و شاخصهای اکولوژیکی کلیدی برای ارزیابی سلامت اکوسیستمهای جنگلی و تنوع زیستی بهشمار میروند. جنگلهای زاگرس بهعنوان یکی از مهمترین اکوسیستمهای ایران، میزبان گونههای غالب بلوط و تنوع گستردهای از گالهاست که علاوه بر نقش اکولوژیکی، دارای کاربردهای دارویی و صنعتی نیز هستند. با این حال، تنوع مورفولوژیکی بالا، شباهت ظاهری بین گونهها و شرایط پیچیده محیطی، شناسایی دستی گالها را با چالش مواجه کرده است. هدف این پژوهش، بررسی قابلیتهای الگوریتم YOLOv8n همراه با طراحی و پیادهسازی یک سیستم هوشمند مبتنی بر یادگیری عمیق برای شناسایی خودکار 47 گونه گال بلوط در جنگلهای زاگرس و تسهیل دسترسی به این دانش برای کاربران غیرمتخصص است.
مواد و روشها: مجموعهدادهای شامل 8452 تصویر از 47 گونه گال بلوط از منابع میدانی و پلتفرمهای عمومی مانند iNaturalist جمعآوری شد. پس از مراحل پیشپردازش شامل تغییر اندازه استاندارد، حذف تصاویر کمکیفیت و افزایش داده با تکنیکهایی مانند چرخش و تغییر روشنایی، دادهها به فرمت YOLOv8 تبدیل و با نسبتهای 70 درصد آموزش، 20 درصد اعتبارسنجی و 10 درصد آزمون تقسیمبندی شدند. مدل YOLOv8n با بهرهگیری از یادگیری انتقالی براساس وزنهای پیشآموزشدیده در محیط Google Colab و با GPU Tesla T4 آموزش دید. برای جلوگیری از بیشبرازش، از Dropout نرخ 3/0 وEarly Stopping ، 50 دوره استفاده شد. پس از آموزش، یک رابط کاربری گرافیکی مبتنی بر Gradio توسعه یافت و از طریق Hugging Face Spaces بهصورت عمومی منتشر گردید.
نتایج و یافتهها: مدل آموزشدیده بهطور میانگین دقت (Precision=0.83)، بازیابی (Recall= 0.82)، mAP@50 برابر 86/0 و (mAP@50:95) برابر 61/0 را کسب کرد. گونههایی مانندCynips quercusfoli دقت: 944/0 و Andricus tomentosus بادقت: 940/0 بالاترین عملکرد را نشان دادند، درحالیکه گونههای کمنمونه مانند Andricus malpighii بادقت: 583/0 وNeuroterus numismalis (mAP@50:95 = 0.39) بهدلیل نامتوازن بودن دادهها عملکرد ضعیفتری داشتند. ماتریس سردرگمی نیز اشتباهات طبقهبندی بین گونههای مشابه را آشکار کرد. سیستم توسعهیافته قادر است در کمتر از 6 میلیثانیه، گالهای بلوط را در تصاویر میدانی با پسزمینههای پیچیده شناسایی کند. رابط کاربری طراحیشده امکان استفاده آسان توسط جنگلبانان، محیطبانان و علاقهمندان را فراهم میکند و بهعنوان ابزاری عملیاتی برای پایش تنوع زیستی و مدیریت پایدار جنگلها عمل مینماید. همچنین، پایگاه داده بومی ایجادشده میتواند بهعنوان مرجعی برای تحقیقات آینده در حوزه اکولوژی گالها و تغییرات جمعیتی مورد استفاده قرار گیرد.
نتیجهگیری: این پژوهش نشان میدهد که مدلهای سبکوزن یادگیری عمیق مانند YOLOv8n میتوانند حتی در شرایط پیچیده محیطی و با دادههای نامتوازن، عملکردی قابلاطمینان داشته باشند. این سیستم نهتنها از نظر فنی مؤثر است، بلکه با همگانیسازی دانش زیستی، گامی کلیدی در جهت ادغام فناوریهای هوش مصنوعی با حفاظت از منابع طبیعی در ایران برداشته است. این رویکرد، ظرفیتهای محلی را در پایش اکوسیستمها تقویت کرده و امکان مشارکت گستردهتر جامعه در حفاظت از تنوع زیستی را فراهم میکند. علاوه بر این، سیستم توسعهیافته بهعنوان یک زیرساخت دیجیتال پایدار میتواند در بلندمدت بهعنوان بستری برای جمعآوری دادههای مشاهداتی از سوی کاربران میدانی عمل کند و به ایجاد یک سامانه پایش توزیعشده در سطح جنگلهای زاگرس کمک نماید. بنابراین، پیشنهاد میشود در مطالعات آینده از روشهای یادگیری فعال و تولید داده مصنوعی با کیفیت مانند (Diffusion Models) یا (GANs) برای جمعآوری هدفمند داده از گونههای کمنمونه استفاده شود. همچنین، ارزیابی عملی سیستم در شرایط واقعی میدانی و بهینهسازی آن برای اجرا روی دستگاههای همراه یا لبهای (Edge Devices)، میتواند کاربردیبودن این ابزار را در مدیریت پایدار منابع طبیعی افزایش دهد.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Design and implementation of a deep learning-based intelligent system for automated identification of oak galls in the Zagros forest ecosystems of Iran
نویسندگان [English]
-
Touraj Mokhtarpour
1
-
Ariya Mokhtarpour
2
-
HamzeAli Shirmardi
3
-
Seyed Ahmad Musavi Vardanjani
4
1
Corresponding Author, Researcher, Forests and Rangelands Research Department, Chaharmahal and Bakhtiari Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Shahrekord, Iran
2
B.S. Student, Department of Computer Engineering, National Mohajer Skills University, Isfahan. Iran
3
Assistant Prof., Forests and Rangelands Research Department, Chaharmahal and Bakhtiari Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Shahrekord, Iran
4
Expert, General Department of Natural Resources and Watershed Management of Chaharmahal and Bakhtiari Province, Natural Resources and Watershed Management Organization of Iran, Shahrekord, Iran
چکیده [English]
Background and Objective: Oak galls are abnormal growth structures resulting from complex interactions between plants and gall-inducing agents such as insects, serving as key ecological indicators for assessing forest ecosystem health and biodiversity. The Zagros forests, as one of Iran’s most important ecosystems, host dominant oak species and a wide diversity of galls, which, in addition to their ecological roles, have medicinal and industrial applications. However, high morphological diversity, phenotypic similarity among species, and complex environmental conditions pose challenges for manual identification of galls. This study aims to evaluate the YOLOv8n algorithm and develop a deep learning based intelligent system for the automatic identification of 47 oak gall species in the Zagros forests, facilitating access to this knowledge for non-specialist users.
Methodology: A dataset comprising 8,452 images of 47 oak gall species was collected from field sources and public platforms such as iNaturalist. Following preprocessing steps including standard resizing, removal of low-quality images, and data augmentation techniques such as rotation and brightness adjustment the data were converted to the YOLOv8 format and split into 70% training, 20% validation, and 10% testing sets. The YOLOv8n model was trained using transfer learning with pre-trained weights in the Google Colab environment on a Tesla T4 GPU. To prevent overfitting, a dropout rate of 0.3 and early stopping were applied over 50 epochs. Post-training, a graphical user interface (GUI) was developed using Gradio and publicly deployed via Hugging Face Spaces.
Results: The trained model achieved an average precision of 0.83, recall of 0.82, mAP@50 of 0.86, and mAP@50:95 of 0.61. Species such as Cynips quercusfolii (precision: 0.944) and Andricus tomentosus (precision: 0.940) showed the highest performance, whereas low-sample species like Andricus malpighii (precision: 0.583) and Neuroterus numismalis (mAP@50:95 = 0.39) performed poorly due to data imbalance. The confusion matrix highlighted misclassifications among morphologically similar species. The developed system is capable of detecting oak galls in field images with complex backgrounds in less than 6 milliseconds. The designed GUI enables easy use by foresters, rangers, and enthusiasts, serving as an operational tool for biodiversity monitoring and sustainable forest management. Additionally, the created local database can serve as a reference for future research on gall ecology and climate change effects.
Conclusion: This study demonstrates that lightweight deep learning models such as YOLOv8n can achieve reliable performance even under complex environmental conditions and with imbalanced datasets. The proposed system is not only technically effective but also represents a key step toward integrating artificial intelligence with natural resource conservation in Iran. This approach enhances local capacity for ecosystem monitoring and facilitates broader community participation in biodiversity protection. Furthermore, the developed system can serve as a sustainable digital infrastructure for long-term, citizen-generated data collection and support a distributed monitoring framework across the Zagros forests. Future studies are recommended to employ active learning, high-quality synthetic data generation (e.g., via Diffusion Models or GANs) to target low-sample species, and to evaluate and optimize system performance for real-world field conditions and deployment on mobile or edge devices to increase its applicability in sustainable natural resource management.
کلیدواژهها [English]
-
Deep learning
-
oak galls
-
Zagros forests
-
automatic identification
-
biodiversity
)