فلش‌کارت‌های آموزشی کاربرد یادگیری عمیق در تشخیص بیماری‌های گیاهی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد یادگیری عمیق در تشخیص بیماری‌های گیاهی

موضوع کلی: امنیت غذایی و کشاورزی پایدار

موضوع میانی: سیستم‌های مدیریت اطلاعات مزرعه

📋 سرفصل‌های دوره

• 1. مقدمه بر pathogen‌های گیاهی و اثرات آن بر عملکرد محصول
• 2. taxonomy بیماری‌های گیاهی و کلاسificazione بر اساس علائم
• 3. اصول برداری تصویر گیاهان در شرایط میدانی
• 4. نورپردازی و تنظیم دوربین برای دریافت تصاویر با کیفیت بالا
• 5. پیش‌پردازش تصاویر: حذف پس‌زمینه و نرمال‌سازی رنگ
• 6. تکنیک‌های augmentation داده برای افزایش تنوع مجموعه آموزشی
• 7. معرفی مجموعه داده‌های عمومی PlantVillage، IP102 و Rice Diseases
• 8. ساخت وEtichettage دیتاست اختصاصی برای مزرعه هدف
• 9. ابزارهای labeling: استفاده از LabelImg، CVAT و VGG Image Annotator
• 10. اصول شبکه‌های عصبی عمیق و perceptron
• 11. ’architecture CNN کلاسیک: LeNet، AlexNet
• 12. ’architecture VGG و ویژگی‌های عمیق استخراج شده
• 13. Residual Networks (ResNet) و مزایای آن در تشخیص بیماری
• 14. DenseNet و اتصال denses برای بهبود Grad-CAM
• 15. Inception و modularity برای کاهش پارامترها
• 16. MobileNet و EfficientNet برای استقرار در دستگاه‌های edge
• 17. آموزش شبکه از صفر vs transfer learning از مدل‌های پیش‌آموزش‌شده
• 18. Fine-tuninglast layers برای تخصص به بیماری‌های خاص
• 19. استخراج ویژگی‌های يدوی مقابل یادگیری عمیق (HOG، LBP، SIFT)
• 20. طراحی pipeline کامل از تصویر تا تشخيص خودکار
• 21. توابع loss مناسب: Cross‑Entropy، Focal Loss، weighted loss برای کلاس‌های نامتناسب
• 22. بهینه‌سازها: SGD، Adam، RMSprop و تنظیم learning rate
• 23. برنامه‌ریزی epochs و early stopping بر پایهٔ validation loss
• 24. معیارهای ارزیابی: accuracy، precision، recall، F1‑score، confusion matrix
• 25. ROC curve و AUC برای multiclass problem
• 26. تکنیک‌های کلاس‑عدم‌تعادل: oversampling، undersampling، class weighting
• 27. استفاده از ensemble learning: voting، stacking، bagging مدل‌های CNN
• 28. تطبیق مدل برای تشخیص multi-label (بیماری‌های همزمان)
• 29. segmentação Semantic با U-Net برای localization lesión
• 30. Mask R-CNN برای تشخیص و ماسک 동시에
• 31. توضیحabilitiy با Grad‑CAM، Grad‑CAM++ و Eigen‑CAM
• 32. Visualization ویژگی‌های mittleren layers برای درک مدل
• 33. کاهش ابعاد مدل با pruning و quantization برای استقرار درembedded
• 34. تبدیل مدل به TensorFlow Lite، ONNX و OpenVINO
• 35. استخراج مدل در Raspberry Jetson Nano و boards کشاورزی
• 36. Integrating model with irrigation control و fertigation بر اساس تشخیص
• 37. اتصال به IoT sensorهای رطوبت، دما و نور برای contexte‑aware تشخیص
• 38. استفاده از edge computing برای inferencing real‑time در حوزه مزرعه
• 39. طراحی API RESTful برای servir مدل به اپلیکیشن موبایل
• 40. توسعه اپلیکیشن موبایل Android/iOS برای اسکن برگ و نمایشResult
• 41. به‌روزرسانی OTA مدل از سرور مرکزی به دستگاه‌های ميدان
• 42. مدیریت نسخه‌های مدل و A/B testing در محیط تولید
• 43. اطمینان از حریم خصوصی داده‌های مزارع و انطباق با GDPR/CCPA
• 44. auditing و traceability پیش‌بینی‌های مدل برای calim کشاورزی
• 45. integrating deep‑learning output with farm management information systems (FMIS)
• 46. تبادل داده با ERP کشاورزی عبر استانداردهای ISO 11783 (ISOBUS)
• 47. استفاده از spatio‑temporal modeling برای پیش‌بینی شیوع بیماری
• 48. ترکیب داده‌های ماهواره‌ای (Sentinel‑2، Landsat) با تصویرGround‑Truth
• 49. تشخیص frühen Stadien病変 با hyperspectral imaging و deep learning
• 50. ترکیب LiDAR و عمق برای تشخیص آسیب‌های structural
• 51. استفاده از Generative Adversarial Networks (GAN) برای تولید synthetic diseased葉
• 52. Data augmentation با Style Transfer و CycleGAN برای تنوع بیشتر
• 53. آموزش self‑supervised learning از تصاویر بدون برچسب (SimCLR، MoCo)
• 54. Few‑shot learning برای بیماری‌های نایاب با meta‑learning
• 55. ゼロ‑شوت aprendizaje با CLIP و متن توصیف病变
• 56. بهینه‌سازی hiperپارامترها با Bayesian optimization و Optuna
• 57. ارزیابی استحکام مدل در برابر تغییرات نور، ضخامت خاک و حشره
• 58. تست feld در شرایط واقعی: piloto در مزرعه گندم، بن门، سیب
• 59. تحلیل هزینه‑منفعة استفاده از deep‑learning gegenüber expert visual scouting
• 60. آموزش کارکنان مزرعه برای interpreta­tion خروجی مدل
• 61. ایجاد داشبورد monitoring real‑time در平台 وب
• 62. هشدار خودکار از طریق SMS/Telegram عند تجاوز آستانه خطر
• 63. Integrating معیارهای Sustainability: کاهش استفاده از داروهای شیمیایی به‌بهینه‌سازی spraying
• 64. مورد موردی: تشخیص صدای صدای گلابی در گندم با CNN 1D بر روی سیگنالهای صوتی
• 65. مورد موردی: تشخیص بیماری‌های ریشگی با imaging ریشه و deep learning
• 66. استفاده از multimodal داده (تصویر + спектر + دما) در یک مدل fusión
• 67. معماری atenção (Transformer) برای پردازش دنباله تصویر متتابع
• 68. تطبيق Vision Transformers (ViT) برای تشخیص بیماری‌های برگ
• 69. مقایسه CNN vs Transformer در دقت و زمان inferencing
• 70. بهینه‌سازی inferencing با TensorRT و CUDA cores
• 71. به‌کارگیری model distillation برای ساخت نسخهٔ کوچک‑حجم با ضیاع کم
• 72. تست robustness در برابر حملات عدوایی (adversarial examples) و verteidigung
• 73. استراتژی‌های به‌روزرسانی مستمر مدل با داده‌های جدید (online learning)
• 74. ایجاد pipeline CI/CD برای آموزش و استقرار خودکار مدل
• 75. documentation و reproducibility: استفاده از MLflow و DVC
• 76. بررسی اثرات محیطی (دما، رطوبت) بر عملکرد مدل و تنظیم threshold
• 77. تنظیم خودکار آستانه تشخيص بر پایهٔ هزینه‑منفعة perdida tuot
• 78. استفاده از uncertainty estimation (Monte Carlo Dropout) برای تشخیص نااطمینان
• 79. Integrating uncertainty به decisiones spraying: spray فقط وقتی confidence > threshold
• 80. مورد موردی: تشخیص بیماری‌های انبوه‌دار با spectrogram و CNN 2D
• 81. مورد موردی: تشخیص بیماری‌های انبوه‌دار با تبدیل spectrogram و CNN
• 82. مورد موردی: تشخیص بیماری‌های انبوه‌دار با LSTM بر روی سری زمانی спектر
• 83. مورد موردی: تشخیص بیماری‌های انبوه‌دار با hybrid CNN‑LSTM
• 84. مورد موردی: تشخیص بیماری‌های انبوه‌دار با attention‑based temporal network