طراحی و پیاده‌سازی سیستم هوشمند مبتنی بر یادگیری عمیق برای شناسایی خودکار گال‌های بلوط در اکوسیستم‌های جنگلی زاگرس

مقالات آماده انتشار

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

10.22092/ijfrpr.2026.369353.1673

چکیده

سابقه و هدف: گال‌های بلوط،  ساختارهای رشد یافته­ی غیر طبیعی هستند که در نتیجه­ی تعاملات پیچیده بین گیاه و عوامل القاکننده (مانند حشرات گال‌زا) پدید می­آیند و شاخص‌های اکولوژیکی کلیدی برای ارزیابی سلامت اکوسیستم‌های جنگلی و تنوع زیستی به شمار 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 می باشند. 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 8,452 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 نسبت های 70درصد آموزش، 20درصد اعتبارسنجی و 10درصد آزمون تقسیم بندی شدند. مدل YOLOv8n با بهره گیری از یادگیری انتقالی بر اساس وزن‌های پیش‌آموزش‌دیده در محیط Google Colab  و با GPU Tesla T4 آموزش دید. برای جلوگیری از بیش‌برازش، از Dropout نرخ 0.3 و Early 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 0.86 و  (mAP@50:95) معادل 0.61 را کسب کرد. گونه‌هایی مانند Cynips quercusfoli دقت: 0.944 و Andricus tomentosus دقت: 0.940 بالاترین عملکرد را نشان دادند، درحالی‌که گونه‌های کم‌نمونه مانند Andricus malpighii دقت: 0.583 و Neuroterus numismalis (mAP@50:95 = 0.39)  به‌دلیل نامتوازن بودن داده‌ها عملکرد ضعیف‌تری داشتند. ماتریس سردرگمی نیز اشتباهات طبقه‌بندی بین گونه‌های مشابه را آشکار ساخت. 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 اقلیمی مورد استفاده قرار گیرد.
نتیجه‌گیری: این پژوهش نشان می‌دهد که مدل‌های سبک‌وزن یادگیری عمیق مانند YOLOv8n می‌توانند حتی در شرایط پیچیده­ی محیطی و با داده‌های نامتوازن، عملکردی قابل‌اطمینان داشته باشند. سیستم حاضر 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 می‌آورد. 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. 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 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

کلیدواژه‌ها [English]

  • Deep learning
  • oak galls
  • Zagros forests
  • automatic identification
  • biodiversity
تحقیقات حمایت و حفاظت جنگلها و مراتع ایران

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 19 اردیبهشت 1405

فایل ها

سابقه مقاله

  • تاریخ دریافت: 19 اردیبهشت 1404
  • تاریخ بازنگری: 29 بهمن 1404
  • تاریخ پذیرش: 19 اردیبهشت 1405

هم رسانی

ارجاع به این مقاله

آمار