دوره تشخیص هوشمند بیماری‌ها و آفات گیاهی با یادگیری عمیق: از تصویربرداری تا ترنسفورمرهای بینایی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص هوشمند بیماری‌ها و آفات گیاهی با یادگیری عمیق: از تصویربرداری تا ترنسفورمرهای بینایی

موضوع کلی: هوش مصنوعی در کشاورزی

موضوع میانی: کاربرد یادگیری عمیق در تشخیص بیماری‌ها و آفات گیاهی

📋 سرفصل‌های دوره

• 1. مبانی کشاورزی هوشمند
• 2. مقدمه‌ای بر هوش مصنوعی در کشاورزی
• 3. چالش‌های کشاورزی مدرن
• 4. نقش داده‌ها در کشاورزی هوشمند
• 5. مقدمه‌ای بر تشخیص بیماری‌های گیاهی
• 6. اهمیت تشخیص زودهنگام بیماری‌های گیاهی
• 7. آفات گیاهی و اثرات آن‌ها
• 8. مقدمه‌ای بر بینایی ماشین در کشاورزی
• 9. کاربرد تصویربرداری در کشاورزی
• 10. چالش‌های جمع‌آوری داده‌های گیاهی
• 11. مقدمه‌ای بر یادگیری ماشین
• 12. یادگیری عمیق: انقلاب در هوش مصنوعی
• 13. مبانی شبکه‌های عصبی مصنوعی
• 14. لایه‌های شبکه‌های عصبی
• 15. توابع فعال‌سازی
• 16. تابع هزینه (Loss Function)
• 17. بهینه‌سازها (Optimizers)
• 18. پس‌انتشار خطا (Backpropagation)
• 19. معماری‌های یادگیری عمیق
• 20. شبکه‌های عصبی کانولوشنال (CNN)
• 21. مبانی CNN: لایه‌های کانولوشن
• 22. مبانی CNN: لایه‌های Pooling
• 23. مبانی CNN: لایه‌های Fully Connected
• 24. معرفی معماری‌های مشهور CNN (AlexNet, VGG, ResNet, Inception)
• 25. تاریخچه شبکه‌های CNN در تشخیص بیماری گیاهی
• 26. کاربرد CNN در استخراج ویژگی از تصاویر گیاهی
• 27. پیش‌پردازش تصاویر گیاهی
• 28. پاکسازی نویز در تصاویر
• 29. نرمال‌سازی تصاویر
• 30. افزایش داده (Data Augmentation)
• 31. تکنیک‌های رایج افزایش داده
• 32. مدل‌سازی در تشخیص بیماری گیاهی
• 33. مسائل طبقه‌بندی (Classification) در تشخیص بیماری
• 34. مسائل تشخیص اشیاء (Object Detection)
• 35. مسائل تقسیم‌بندی معنایی (Semantic Segmentation)
• 36. ارزیابی مدل‌های طبقه‌بندی
• 37. معیارهای ارزیابی (Accuracy, Precision, Recall, F1-Score)
• 38. ماتریس درهم‌ریختگی (Confusion Matrix)
• 39. مقدمه‌ای بر مجموعه داده‌های بیماری گیاهی
• 40. معرفی مجموعه داده‌های معروف (PlantVillage, Kaggle datasets)
• 41. چالش‌های مرتبط با مجموعه داده‌ها (نویز، عدم توازن)
• 42. آموزش مدل‌های CNN
• 43. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 44. روش‌های جلوگیری از بیش‌برازش (Overfitting)
• 45. یادگیری انتقالی (Transfer Learning)
• 46. کاربرد یادگیری انتقالی در تشخیص بیماری گیاهی
• 47. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش‌دیده
• 48. روش‌های پیشرفته CNN
• 49. شبکه‌های عصبی کانولوشنال عمیق
• 50. شبکه‌های عصبی کانولوشنال با اتصالات باقی‌مانده (ResNet)
• 51. شبکه‌های عصبی کانولوشنال با ماژول‌های Inception
• 52. شبکه‌های عصبی کانولوشنال با کانال توجه (Channel Attention)
• 53. شبکه‌های عصبی کانولوشنال با توجه مکانی (Spatial Attention)
• 54. شبکه‌های عصبی با مکانیزم توجه (Attention Mechanisms)
• 55. شبکه‌های عصبی با مکانیزم توجه در CNN
• 56. مقدمه‌ای بر تشخیص آفات گیاهی
• 57. تفاوت‌های تشخیص آفات و بیماری‌های گیاهی
• 58. چالش‌های تشخیص آفات
• 59. کاربرد CNN در تشخیص آفات
• 60. معماری‌های یادگیری عمیق برای تشخیص آفات
• 61. روش‌های تشخیص خودکار آفات
• 62. تشخیص آفات با استفاده از داده‌های تصویری
• 63. تشخیص آفات با استفاده از داده‌های صوتی (اختیاری)
• 64. تشخیص آفات با استفاده از داده‌های رفتاری (اختیاری)
• 65. مدل‌های تشخیص اشیاء برای آفات
• 66. کاربرد YOLO در تشخیص آفات
• 67. کاربرد Faster R-CNN در تشخیص آفات
• 68. کاربرد SSD در تشخیص آفات
• 69. مقدمه‌ای بر تقسیم‌بندی تصاویر گیاهی
• 70. تقسیم‌بندی برای تفکیک برگ از ساقه
• 71. تقسیم‌بندی برای تفکیک بخش آلوده
• 72. مدل‌های تقسیم‌بندی معنایی
• 73. U-Net برای تقسیم‌بندی تصاویر گیاهی
• 74. DeepLab برای تقسیم‌بندی تصاویر گیاهی
• 75. کاربرد تقسیم‌بندی در تحلیل شدت بیماری
• 76. ترنسفورمرها در یادگیری عمیق
• 77. مقدمه‌ای بر شبکه‌های ترنسفورمر (Transformers)
• 78. معماری پایه ترنسفورمر
• 79. مکانیزم توجه در ترنسفورمرها
• 80. ترنسفورمرهای بینایی (Vision Transformers - ViT)
• 81. مبانی ViT
• 82. معماری ViT
• 83. مزایای ViT نسبت به CNN
• 84. کاربرد ViT در تشخیص بیماری گیاهی
• 85. مقایسه ViT و CNN در تشخیص بیماری گیاهی
• 86. ترنسفورمرهای بینایی پیشرفته
• 87. Swin Transformer
• 88. کاربرد Swin Transformer در کشاورزی
• 89. ترنسفورمرها برای تشخیص اشیاء
• 90. DETR (DEtection TRansformer)
• 91. کاربرد DETR در تشخیص آفات
• 92. ترنسفورمرها برای تقسیم‌بندی
• 93. SegFormer
• 94. کاربرد SegFormer در تحلیل تصاویر گیاهی
• 95. روش‌های ترکیب CNN و ترنسفورمر
• 96. معماری‌های هیبریدی CNN-Transformer
• 97. مزایای معماری‌های هیبریدی
• 98. کاربرد معماری‌های هیبریدی در کشاورزی
• 99. ارزیابی پیشرفته مدل‌ها
• 100. مباحث مربوط به پایداری و استحکام مدل‌ها (Robustness)