DOI: https://doi.org/10.1186/s13007-025-01324-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39789617
تاريخ النشر: 2025-01-09
المؤلف: Minglang Li وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم هذه البحث تقدمًا كبيرًا في الكشف عن الآفات والأمراض التي تؤثر على أشجار المشمش، والتي تعتبر موارد زراعية حيوية. يقدم الدراسة مجموعة بيانات ATZD01، وهي مجموعة بيانات متاحة للجمهور تتكون من 11 فئة من آفات وأمراض أشجار المشمش، تم جمعها تحت ظروف حقلية حقيقية. للاستفادة من هذه المجموعة، يقترح المؤلفون إطار عمل جديد للتعلم العميق يسمى APNet، والذي يستخدم الشبكات العصبية التلافيفية ويشمل مكونات مبتكرة مثل خوارزمية العتبة التكيفية (ATA) ووحدة DyHead. تظهر النتائج التجريبية أن APNet تحقق دقة تبلغ 87.1%، متفوقة على الخوارزميات الحالية وتأسيس معيار جديد في هذا المجال.
تؤكد النتائج على ضرورة وجود نماذج كشف متخصصة تعالج التحديات الفريدة التي تواجهها في البيئات الزراعية، مثل الإضاءة المتغيرة والخلفيات المعقدة. لا يحافظ APNet فقط على بنية خفيفة الوزن مع 2.79 مليون معلمة و8.0 GFLOPs، ولكنه يظهر أيضًا دقة عالية (87.1%)، واسترجاع (75.6%)، ومتوسط دقة متوسطة (mAP50-95) يبلغ 43.6%. يبرز هذه الدراسة أهمية حلول التعلم العميق المخصصة لإدارة فعالة للآفات والأمراض في أشجار المشمش، مع آثار لتقليل الخسائر الزراعية. ستهدف الأبحاث المستقبلية إلى تعزيز كفاءة APNet واستكشاف تطبيقه عبر محاصيل متنوعة، مما يوسع تأثيره في الممارسات الزراعية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية الاقتصادية وتحديات زراعة شجرة المشمش (جنس البرقوق، عائلة الوردية)، لا سيما في مناطق مثل تركيا، التي تساهم بنحو 22% من الإنتاج العالمي. تؤكد الورقة على تأثير أكثر من ثلاثين مرضًا وآفة على محصول المشمش، مما يعقد ممارسات الإدارة بسبب صعوبات في التشخيص الدقيق. تعتمد طرق الكشف التقليدية على الفحوصات اليدوية، التي تعتبر غير فعالة للحدائق الكبيرة. تقدم تقنيات التعلم العميق المتقدمة في رؤية الكمبيوتر حلولًا واعدة للكشف وتصنيف هذه الآفات، ومع ذلك، لا تزال التحديات قائمة، لا سيما نقص مجموعات البيانات الشاملة والمتاحة للجمهور التي تعكس الظروف الواقعية.
لمعالجة هذه القضايا، يقدم المؤلفون مجموعة بيانات جديدة، ATZD01، تتكون من 6,055 صورة مأخوذة من ثلاث حدائق تحت ظروف جوية متغيرة، مما يجعلها أكبر مجموعة بيانات عامة للكشف عن أمراض وآفات أشجار المشمش. بالإضافة إلى ذلك، يقدمون شبكة متخصصة، APNet، مصممة لتحديد 11 فئة متميزة من آفات أشجار المشمش، ووحدة جديدة، خوارزمية العتبة التكيفية (ATA)، التي تعزز قدرات الكشف من خلال التركيز على الميزات التفصيلية وتحسين قوة النموذج. تهدف هذه المساهمات إلى وضع معيار جديد للكشف عن أمراض وآفات أشجار المشمش، مما يسهل إدارة المحاصيل بشكل أفضل وتحسين العائد.
نقاش
في قسم النقاش، تسلط الورقة الضوء على التقدم في تطبيقات التعلم العميق للكشف عن آفات وأمراض المحاصيل، مع التركيز بشكل خاص على أشجار المشمش. تم تعديل خوارزميات مختلفة، بما في ذلك Fast R-CNN وYOLO وMask R-CNN، لتعزيز دقة الكشف عبر محاصيل مختلفة. تظهر دراسات بارزة، مثل تلك التي أجراها لي وراي، ثموزي وريدي، وأفزال وآخرون، تحسينات كبيرة في دقة التصنيف من خلال تقنيات مبتكرة مثل التعلم الانتقالي وآليات الانتباه. ومع ذلك، لا يزال البحث في الكشف عن أمراض أشجار المشمش محدودًا بسبب ندرة مجموعات البيانات الكبيرة المتاحة للجمهور. يحدد المؤلفون القيود الحرجة في مجموعات البيانات الحالية، مثل أحجام العينات غير الكافية ونقص الظروف الواقعية، مما يعيق تطوير نماذج كشف قوية.
لمعالجة هذه التحديات، يقدم المؤلفون مجموعة بيانات ATZD01، وهي مجموعة شاملة تتكون من 20,272 عينة و6,055 صورة، مصممة خصيصًا للكشف عن آفات وأمراض أشجار المشمش. تلتقط هذه المجموعة الصور تحت ظروف بيئية وإضاءة متنوعة، مما يجعلها أكثر تمثيلًا للتطبيقات الواقعية. تقترح الورقة أيضًا إطار كشف جديد، APNet، الذي يتضمن خوارزمية عتبة تكيفية (ATA) ورأس كشف جديد (Dyhead) لتعزيز قدرات الكشف في البيئات المعقدة. تهدف هذه الابتكارات إلى تحسين قوة النموذج ودقته، لا سيما للأهداف الصغيرة أو المتداخلة، مما يوفر لمديري الحدائق أدوات فعالة لإدارة الآفات والأمراض.
DOI: https://doi.org/10.1186/s13007-025-01324-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39789617
Publication Date: 2025-01-09
Author(s): Minglang Li et al.
Primary Topic: Smart Agriculture and AI
Overview
This research presents a significant advancement in the detection of pests and diseases affecting apricot trees, which are vital agricultural resources. The study introduces ATZD01, a publicly available dataset comprising 11 categories of apricot tree pests and diseases, collected under authentic field conditions. To leverage this dataset, the authors propose a novel deep learning framework named APNet, which utilizes convolutional neural networks and incorporates innovative components such as the Adaptive Thresholding Algorithm (ATA) and the DyHead module. Experimental results demonstrate that APNet achieves an accuracy of 87.1%, outperforming existing algorithms and establishing a new benchmark in this domain.
The findings underscore the necessity for specialized detection models that address the unique challenges faced in agricultural settings, such as variable lighting and complex backgrounds. APNet not only maintains a lightweight architecture with 2.79 million parameters and 8.0 GFLOPs but also exhibits high precision (87.1%), recall (75.6%), and mean Average Precision (mAP50-95) of 43.6%. This study highlights the importance of tailored deep learning solutions for effective pest and disease management in apricot trees, with implications for reducing agricultural losses. Future research will aim to enhance APNet’s efficiency and explore its application across various crops, broadening its impact in agricultural practices.
Introduction
The introduction of the research paper highlights the economic significance and cultivation challenges of the apricot tree (Prunus genus, Rosaceae family), particularly in regions like Turkey, which contributes approximately 22% of global production. The paper underscores the impact of over thirty diseases and pests on apricot yield, complicating management practices due to difficulties in accurate diagnosis. Traditional detection methods rely on manual inspections, which are inefficient for large orchards. The advancement of deep learning technologies in computer vision offers promising solutions for the detection and classification of these afflictions, yet challenges remain, particularly the lack of comprehensive, publicly available datasets that reflect real-world conditions.
To address these issues, the authors present a new dataset, ATZD01, comprising 6,055 images sourced from three orchards under varying weather conditions, making it the largest public dataset for apricot tree disease and pest detection. Additionally, they introduce a specialized network, APNet, designed to identify 11 distinct classes of apricot tree afflictions, and a novel module, the Adaptive Thresholding Algorithm (ATA), which enhances detection capabilities by focusing on detailed features and improving model robustness. These contributions aim to set a new benchmark for apricot tree disease and pest detection, facilitating better crop management and yield optimization.
Discussion
In the discussion section, the paper highlights the advancements in deep learning applications for detecting crop pests and diseases, particularly focusing on apricot trees. Various algorithms, including Fast R-CNN, YOLO, and Mask R-CNN, have been adapted to enhance detection accuracy across different crops. Notable studies, such as those by Li and Rai, Thenmozhi and Reddy, and Afzaal et al., demonstrate significant improvements in classification accuracy through innovative techniques like transfer learning and attention mechanisms. However, the research on apricot tree disease detection remains limited due to the scarcity of publicly available, large-scale datasets. The authors identify critical limitations in existing datasets, such as insufficient sample sizes and lack of real-world conditions, which hinder the development of robust detection models.
To address these challenges, the authors introduce the ATZD01 dataset, a comprehensive collection of 20,272 samples and 6,055 images, specifically designed for apricot tree pest and disease detection. This dataset captures images under varied environmental conditions and lighting scenarios, making it more representative of real-world applications. The paper also proposes a novel detection framework, APNet, which incorporates an Adaptive Threshold Algorithm (ATA) and a new detection head (Dyhead) to enhance detection capabilities in complex environments. These innovations aim to improve the model’s robustness and accuracy, particularly for small or overlapping targets, thereby providing orchard managers with effective tools for pest and disease management.