پیاده‌سازی یادگیری انتقالی در شناسایی 10 گونه از مارهای ایران

احمدی, ایمان

doi:10.22126/jbat.2025.10545.1042

پیاده‌سازی یادگیری انتقالی در شناسایی 10 گونه از مارهای ایران

نوع مقاله : مقاله پژوهشی

نویسنده

ایمان احمدی

دانشیار مکانیک ماشینهای کشاورزی، گروه مهندسی تولید و ژنتیک گیاهی، دانشگاه آزاد اسلامی، واحد اصفهان

10.22126/jbat.2025.10545.1042

چکیده

در این پژوهش با روش یادگیری انتقالی که یکی از الگوریتمهای هوش مصنوعی در دسته‌بندی تصاویر است، مدلی توسعه داده شده است که توسط آن دسته‌بندی تصاویر مارهای غالب ایران در یکی از 10 دسته مورد نظر صورت گیرد. هدف این است که توانایی مدلِ برمبنای یادگیری انتقالی در پیش‌بینی گونه مار و شدت سمی بودن آن (در سه سطح سمی، نیمه سمی و غیر سمی) با استفاده از تعداد محدودی تصویر از مارهای ایران که شامل 174 تصویر بوده و به 112 تصویر آموزشی اولیه (1120 تصویر آموزشی نهایی با عمل افزایش نرم‎افزاری تعداد تصاویر) و 62 تصویر آزمونی تفکیک شدند، بررسی گردد. مدل از پیش آموزش دیده‌ای که روش یادگیری انتقالی مورد نظر در این پژوهش بر مبنای آن استوار است، مدل EfficientNet بوده و پس از آموزش، با محاسبه مقادیر معیارهای حساسیت، اختصاصیت، دقت، نمره F1 و صحت، کارایی مدلِ برمبنای یادگیری انتقالی ارزیابی شد. بر طبق نتایج به دست آمده، زمان آموزش مدل حدود 60 دقیقه و صحت مدل 76 درصد به‌دست آمد. از آنجا که مدل حاضر روی رایانه بدون GPU توسعه یافته است، کارکرد مدل توسعه یافته قابل قبول می‌باشد.

کلیدواژه‌ها

موضوعات

تنوع زیستی

عنوان مقاله [English]

Implementation of transfer learning to classify 10 species of Iran snakes

نویسنده [English]

Iman Ahmadi

Associate professor of mechanics of agricultural machinery, department of agronomy, Islamic Azad University, Isfahan branch

چکیده [English]

In this study using transfer learning method, a model has been developed to classify pictures of Iran snakes in one of the 10 classes considered. Prediction accuracy of snake type and poisoning severity (in three classes named: venomous, semi-venomous, and non-venomous) using a limited dataset (composed of 174 snake pictures divided into 112 pictures of the train dataset, and 62 pictures of the test dataset) was the primary aim followed in this study. The pre-trained model that our transfer learning model was based on it was the EfficientNet model. After training the transfer learning model, it was evaluated using the sensitivity, specificity, precision, F1 score, and accuracy criteria. According to the results of this study, training phase of the model lasted about 60 minutes and its accuracy was 76%. Due to the fact that the model was trained on a regular laptop computer without a GPU, its performance was acceptable.

کلیدواژه‌ها [English]