DOI: https://doi.org/10.1038/s41598-026-36524-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41629385
تاريخ النشر: 2026-02-02
المؤلف: Satrughan Kumar وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث إطار عمل هجين للتعلم العميق لتصنيف أمراض أوراق الطماطم، مع معالجة التحديات التي تطرحها جودة الصورة المتغيرة، وظروف الإضاءة، وعدم توازن الفئات. يدمج النموذج المقترح ثلاثة شبكات عصبية تلافيفية—ResNet-50 و EfficientNet-B0 و DenseNet-121—داخل نظام تجميع ضبابي يعزز من مرونة اتخاذ القرار. من خلال استخدام شبكة خصومة توليدية شرطية (C-GAN) لتكبير البيانات، ينتج النموذج بفعالية صورًا اصطناعية عالية الجودة للتخفيف من عدم توازن الفئات والتكيف الزائد، محققًا دقة تصنيف ملحوظة تبلغ 99.19% على مجموعة بيانات PlantVillage.
تشير النتائج إلى أن نموذج التجميع الضبابي يتفوق في تمييز الحالات الصعبة، مثل العفن المبكر والعفن المتأخر، مع قيم دقة واسترجاع تصل إلى 99.20%. يسمح الطابع التكيفي للنموذج بإجراء تعديلات ديناميكية على الأوزان بين الشبكات المكونة، مما يحسن من موثوقية التصنيف تحت ظروف الإدخال المتغيرة. يبرز الدراسة إمكانيات النموذج للتطبيقات الزراعية في العالم الحقيقي، مقترحة تحسينات مستقبلية مثل توسيع استخدامه ليشمل محاصيل أخرى، ودمج العوامل البيئية، واستخدام تقنيات متقدمة مثل المحولات والتعلم الذاتي. تهدف هذه التطورات إلى إنشاء نظام قوي وفعال للكشف الآلي عن الأمراض في الزراعة.
طرق
تركز المنهجية الموضحة في هذا القسم على تعزيز دقة تحديد أمراض الطماطم من خلال نهج هجين يستخدم ثلاثة نماذج من الشبكات العصبية التلافيفية المدربة مسبقًا: ResNet50 و DenseNet121 و EfficientNetB0. يتناول المؤلفون التحديات مثل عدم توازن الفئات، وظروف الإضاءة المتغيرة، وجودة الصورة المنخفضة من خلال تنفيذ تقنيات المعالجة المسبقة التي تعدل اللون والتباين للكشف بشكل أفضل عن الأعراض. يتم استخدام استراتيجيات تكبير البيانات، بما في ذلك التدوير، والانعكاس، والتكبير، وتعديلات السطوع، لزيادة تنوع مجموعة بيانات التدريب، وبالتالي تحسين قدرات تعميم النموذج.
تظهر النتائج التجريبية فعالية طريقة التجميع المعتمدة على المنطق الضبابي المقترحة، التي حققت دقة مثيرة للإعجاب تبلغ 99.18%، مع دقة واسترجاع كلاهما عند 99.20%. تتجاوز هذه الأداءات أداء العديد من النماذج الحالية، بما في ذلك Inception V3 و DenseNet، التي سجلت معدلات دقة أقل. من الجدير بالذكر أن الطريقة المقترحة تتفوق في الدقة والاسترجاع عبر فئات مختلفة، محققة درجات مثالية في فئات مثل البقعة البكتيرية والأوراق الصحية، وتحافظ على معدلات استرجاع عالية في الفئات الأكثر تحديًا مثل العفن المبكر والعفن المتأخر. بالمقابل، أظهرت الشبكات العصبية التلافيفية التقليدية وطرق التجميع الأخرى أداءً أقل، خاصة في الاسترجاع، مما يبرز أهمية النهج المقترح في إدارة الأمراض الزراعية بشكل فعال.
نتائج
تشير نتائج المحاكاة إلى أن النموذج الهجين المقترح، الذي يدمج المنطق الضبابي وتكبير البيانات المعتمد على C-GAN، يعزز بشكل كبير تصنيف أمراض الطماطم. حقق النموذج متوسط درجة F1 مثير للإعجاب يبلغ 99.3%، مما يدل على دقة واسترجاع عالية عبر جميع فئات الأمراض، بما في ذلك الحالات ذات الصلة الوثيقة مثل العفن المبكر (EB) والعفن المتأخر (LB). تكشف مصفوفة الالتباس (الشكل 7) أن الغالبية العظمى من التنبؤات صحيحة، مع معدلات تصنيف خاطئة منخفضة، خاصة بالنسبة لـ EB و LB، مما يبرز فعالية النموذج. بالمقارنة مع الهياكل الفردية مثل Inception V3 و DenseNet، التي حققت دقة تبلغ 98.49% و 97% على التوالي، تفوق النموذج المقترح على هذه المعايير عبر جميع المقاييس، مع درجة دقة واسترجاع تبلغ 99.38%.
تظهر منحنيات التدريب والتحقق (الأشكال 12 و 13) أن النموذج يحافظ على دقة عالية مع تقليل الخسارة على مدى 125 دورة، مما يدل على قدرات تعميم قوية دون التكيف الزائد. تؤكد دراسة الإزالة (الجدول 11) على أهمية كل مكون من مكونات النموذج، كاشفة أن إزالة المنطق الضبابي تقلل الدقة إلى 98.4%، بينما تؤدي غياب C-GAN إلى انخفاض إلى 97.6%. يبرز هذا أهمية المنطق الضبابي في تمييز الأمراض المتشابهة ودور C-GAN في معالجة عدم توازن الفئات. بشكل عام، يضع تصميم النموذج، الذي يستخدم أنظمة الاستدلال الضبابي لتحقيق التوازن بين الموثوقية والثقة، كأداة قيمة للزراعة الدقيقة تهدف إلى تحسين صحة المحاصيل.
نقاش
يوفر قسم النقاش في ورقة البحث نظرة شاملة على المنهجيات الحالية لتصنيف أمراض الطماطم، مع تسليط الضوء على كل من التقنيات التقليدية والمتقدمة. يؤكد على فعالية الشبكات العصبية التلافيفية المختلفة (CNNs)، بما في ذلك Inception V3 و ResNet V2، التي حققت معدلات دقة عالية (تصل إلى 98.8%) من خلال إعدادات إسقاط مثلى والتعلم بالنقل. ينتقد القسم أيضًا النماذج الحالية لقيودها، مثل القابلية للتكيف الزائد، والاعتماد على الميزات اليدوية، وعدم كفاية التكيف مع ظروف الصورة المتغيرة. من الجدير بالذكر أن دمج الشبكات التنافسية التوليدية (GANs) لتكبير البيانات يتم التأكيد عليه كنهج واعد لمعالجة عدم توازن الفئات وتعزيز قوة النموذج.
علاوة على ذلك، يقدم البحث نموذجًا هجينًا جديدًا يجمع بين CNNs مع المنطق الضبابي و GANs، بهدف تحسين دقة التصنيف وقابلية التكيف في الظروف غير المؤكدة. يستخدم هذا النموذج نظام استدلال ضبابي ديناميكي يقوم بتعديل أوزان النموذج بناءً على ثقة التنبؤ، مما يعالج الطبيعة الثابتة لطرق التجميع الضبابي السابقة. يظهر الإطار المقترح تقدمًا كبيرًا على الطرق التقليدية من خلال السماح بإجراء تعديلات في الوقت الحقيقي على التنبؤات وتعزيز مرونة النموذج ضد العوامل البيئية المتغيرة. بشكل عام، تشير النتائج إلى أن دمج التقنيات المتقدمة، مثل C-GANs والمنطق الضبابي التكيفي، يمكن أن يؤدي إلى أنظمة أكثر فعالية وموثوقية للكشف عن أمراض الطماطم في البيئات الزراعية.
DOI: https://doi.org/10.1038/s41598-026-36524-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41629385
Publication Date: 2026-02-02
Author(s): Satrughan Kumar et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents a hybrid deep learning framework for the classification of tomato leaf diseases, addressing the challenges posed by varying image quality, lighting conditions, and class imbalances. The proposed model integrates three convolutional neural networks—ResNet-50, EfficientNet-B0, and DenseNet-121—within a fuzzy ensemble system that enhances decision-making flexibility. By employing a Conditional Generative Adversarial Network (C-GAN) for data augmentation, the model effectively generates high-quality synthetic images to mitigate class imbalance and overfitting, achieving a remarkable classification accuracy of 99.19% on the PlantVillage dataset.
The findings indicate that the fuzzy ensemble model excels in distinguishing difficult cases, such as Early Blight and Late Blight, with precision and recall values reaching 99.20%. The adaptive nature of the model allows for dynamic weight adjustments among the constituent networks, improving classification reliability under varying input conditions. The study emphasizes the model’s potential for real-world agricultural applications, suggesting future enhancements such as extending its use to other crops, integrating environmental factors, and employing advanced techniques like transformers and self-supervised learning. These developments aim to create a robust and efficient system for automated disease detection in agriculture.
Methods
The methodology outlined in this section focuses on enhancing the accuracy of tomato disease identification through a hybrid approach utilizing three pre-trained Convolutional Neural Network (CNN) models: ResNet50, DenseNet121, and EfficientNetB0. The authors address challenges such as class imbalance, varying lighting conditions, and low image quality by implementing preprocessing techniques that adjust color and contrast to better reveal symptoms. Data augmentation strategies, including rotation, flipping, zooming, and brightness adjustments, are employed to increase the variability of the training dataset, thereby improving the model’s generalization capabilities.
The experimental results demonstrate the effectiveness of the proposed fuzzy logic-based ensemble method, which achieved an impressive accuracy of 99.18%, with precision and recall both at 99.20%. This performance surpasses that of several existing models, including Inception V3 and DenseNet, which recorded lower accuracy rates. Notably, the proposed method excels in precision and recall across various classes, achieving perfect scores in categories such as Bacterial Spot and Healthy leaves, and maintaining high recall rates in more challenging categories like Early Blight and Late Blight. In contrast, traditional CNNs and other ensemble methods exhibited lower performance, particularly in recall, highlighting the importance of the proposed approach in effective agricultural disease management.
Results
The simulation results indicate that the proposed hybrid model, which integrates fuzzy logic and C-GAN-based data augmentation, significantly enhances the classification of tomato diseases. The model achieved an impressive average F1-score of 99.3%, demonstrating high precision and recall across all disease classes, including closely related conditions such as Early Blight (EB) and Late Blight (LB). The confusion matrix (Fig. 7) reveals that the majority of predictions are correct, with low misclassification rates, particularly for EB and LB, underscoring the model’s effectiveness. Compared to single architectures like Inception V3 and DenseNet, which achieved accuracies of 98.49% and 97%, respectively, the proposed model outperformed these benchmarks across all metrics, with a precision and recall score of 99.38%.
Training and validation curves (Figs. 12 & 13) demonstrate that the model maintains high accuracy while minimizing loss over 125 epochs, indicating robust generalization capabilities without overfitting. The ablation study (Table 11) further confirms the significance of each model component, revealing that the removal of fuzzy logic reduces accuracy to 98.4%, while the absence of C-GAN leads to a drop to 97.6%. This highlights the importance of fuzzy logic in distinguishing similar diseases and the role of C-GAN in addressing class imbalances. Overall, the model’s design, which employs fuzzy inference systems to balance reliability and confidence, positions it as a valuable tool for precision farming aimed at improving crop health.
Discussion
The discussion section of the research paper provides a comprehensive overview of existing methodologies for tomato disease classification, highlighting both traditional and advanced techniques. It emphasizes the efficacy of various convolutional neural networks (CNNs), including Inception V3 and ResNet V2, which achieved high accuracy rates (up to 98.8%) through optimal dropout settings and transfer learning. The section also critiques existing models for their limitations, such as susceptibility to overfitting, reliance on handcrafted features, and inadequate adaptability to varying image conditions. Notably, the integration of generative adversarial networks (GANs) for data augmentation is underscored as a promising approach to address class imbalance and enhance model robustness.
Furthermore, the paper introduces a novel hybrid model that combines CNNs with fuzzy logic and GANs, aiming to improve classification accuracy and adaptability in uncertain conditions. This model employs a dynamic fuzzy inference system that adjusts model weights based on prediction confidence, thereby addressing the static nature of previous fuzzy ensemble methods. The proposed framework demonstrates significant advancements over traditional approaches by allowing real-time adjustments to predictions and enhancing the model’s resilience against varying environmental factors. Overall, the findings suggest that the integration of advanced techniques, such as C-GANs and adaptive fuzzy logic, can lead to more effective and reliable systems for tomato disease detection in agricultural settings.