ظهرت نماذج الكشف عن الكائنات المعتمدة على التعلم العميق كأدوات قوية للمراقبة الفورية للآفات في الزراعة. تشكل أسراب الجراد تهديدًا شديدًا للمحاصيل، مما يستلزم الكشف الفوري والدقيق. تقيم هذه الدراسة أداء نموذجين من أحدث نماذج الكشف عن الكائنات، YOLOv5 وYOLOv8، لاكتشاف الجراد في الزراعة الذكية. بعد تدريب واختبار هذه النماذج على مجموعة بيانات مخصصة، تم مقارنة دقتها، دقة المقياس، إعادة الاستدعاء، متوسط دقة المقياس (mAP) ودرجة F1. تظهر النتائج أن YOLOv8 يتفوق قليلاً على YOLOv5 من حيث الدقة وإعادة الاستدعاء، بينما يكون YOLOv5 أسرع ويتطلب موارد أقل. بالإضافة إلى اختبار القاعدة، تم تطبيق تقنيات زيادة البيانات، مما أدى إلى تحسين أداء النموذج ودقته. حقق YOLOv8 دقة قدرها 79.80% بعد تحسين البيانات، مما يبرز إمكاناته لاكتشاف الجراد في الوقت الحقيقي. توفر هذه التحليل المقارن رؤى قيمة حول نقاط القوة والضعف لكل نموذج، مما يمكن أن يسهم في مبادرات الزراعة الذكية، ويساعد في اختيار الأداة الأكثر ملاءمة للزراعة المستدامة والأمن الغذائي، مثل مراقبة وإدارة الآفات.
درس فاجبايي وآخرون (Mon ،) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: