DOI: https://doi.org/10.1038/s41598-026-37501-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41786811
تاريخ النشر: 2026-03-05
المؤلف: Heba El-Behery وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم القسم المعنون “نظرة عامة” مفهوم نموذج التعلم العميق القابل للتفسير، مع التأكيد على أهميته في تعزيز قابلية تفسير قرارات الشبكات العصبية المعقدة. يبرز المؤلفون ضرورة القابلية للتفسير في الذكاء الاصطناعي، خاصة في التطبيقات الحرجة حيث يكون فهم توقعات النموذج ضروريًا للثقة والمساءلة.
في قسم “الاستنتاج وآفاق المستقبل”، يلخص المؤلفون نتائجهم، مشيرين إلى أن النموذج المقترح لا يحقق فقط دقة عالية ولكن أيضًا يوفر رؤى حول عملية اتخاذ القرار. يقترحون مجالات للبحث المستقبلي، بما في ذلك دمج تقنيات تفسير أكثر تقدمًا وتطبيق نموذجهم على مجالات متنوعة، مما يوسع تأثيره وقابليته للاستخدام في السيناريوهات الواقعية.
مقدمة
تسلط المقدمة الضوء على التهديد الحرج الذي تشكله أمراض النباتات على الإنتاج الغذائي العالمي، خاصة في الاقتصادات المعتمدة على الزراعة. تشير إلى أن طرق الكشف اليدوية التقليدية عن الأمراض في المحاصيل مثل الأرز وقصب السكر غير فعالة وغالبًا ما تكون خارج خبرة المزارعين البعيدين. تسهل التطورات الأخيرة في التعلم العميق والذكاء الاصطناعي (AI) التصنيف التلقائي للأمراض من صور الأوراق، مما يسمح باستجابات أسرع وأكثر فعالية من حيث التكلفة في الميدان. من خلال استخدام مجموعات بيانات واسعة، مثل مجموعة بيانات أمراض أوراق قصب السكر ومجموعات بيانات أمراض الأرز المختلفة، يمكن تدريب خوارزميات الذكاء الاصطناعي على تحديد وتصنيف الأمراض مبكرًا، مما يعزز التدخلات في الوقت المناسب ويقلل من استخدام المبيدات.
يؤكد البحث على أهمية تحسين جودة مجموعة البيانات وتعميم النموذج عبر ظروف بيئية متنوعة لتعزيز غلات الزراعة واستدامتها. من خلال الاستفادة من هذه المجموعات، يتمتع الذكاء الاصطناعي بالقدرة على تحسين توقعات الغلة وتقليل خسائر المحاصيل. يركز هذا البحث على تحديد وتصنيف الأمراض التي تؤثر على الأرز وقصب السكر من خلال مجموعات بيانات الصور المتخصصة، مما يبرز ضرورة وجود مجموعات بيانات شاملة لتطوير أنظمة كشف الأمراض المعتمدة على الذكاء الاصطناعي الموثوقة. تشمل المساهمات الرئيسية لهذا العمل رؤى حول الأسباب الرئيسية للأمراض في هذه المحاصيل وتحسينات في وظائف نماذج كشف الأمراض.
طرق
في هذا القسم، يقدم المؤلفون إطار عمل جديد يهدف إلى تعزيز قدرات التعلم من عدد قليل من الأمثلة وقابلية التفسير في سياق تحديد الأمراض في المحاصيل الزراعية، وخاصة الأرز وقصب السكر. يستخدم الإطار مجموعتين من البيانات متاحة للجمهور: مجموعة بيانات أمراض أوراق قصب السكر ومجموعة بيانات أمراض أوراق الأرز من UCI. تشمل المنهجيات الرئيسية المستخدمة جمع البيانات، والتعزيز، والمعالجة المسبقة، وتقنيات التعلم من عدد قليل من الأمثلة، وطرق الذكاء الاصطناعي القابل للتفسير (XAI)، كما هو موضح في الشكل 1.
لتقييم فعالية النظام المقترح، تم تقسيم المجموعات إلى نسبة تدريب-اختبار تبلغ 80-20%. تشمل مقاييس الأداء المستخدمة للتقييم الاسترجاع، والدقة، والدقة، ودرجة F1، ومنحنى ROC، مع الإشارة إلى الصيغ ذات الصلة في [47]. تضمنت الإعدادات التجريبية مهمة تصنيف من 5 طرق و5 أمثلة، مع حجم استعلام يبلغ 10 عينات لكل فئة، تم إجراؤها على مدار 100 جلسة تدريبية حلقية. تم تحسين النموذج باستخدام مُحسِّن آدم مع دالة خسارة CrossEntropy ومعدل تعلم ثابت قدره $1 \times 10^{-4}$. تم اشتقاق نماذج الفئات لشبكة النماذج الأولية كمتوسط لتضمينات مجموعة الدعم، مع حساب لوغاريتمات دالة softmax بناءً على المسافة الإقليدية المربعة السلبية بين عينات الاستعلام وهذه النماذج الأولية.
نقاش
في هذه الدراسة، تم استخدام هياكل تعلم عميق متنوعة، بما في ذلك VGG19 وResNet50 وVGG16 وXception وشبكات النماذج الأولية وتعلم الميتا غير المعتمد على النموذج (MAML)، لتعزيز توقع أمراض المحاصيل في الأرز وقصب السكر. ساهم دمج تقنيات التعلم من عدد قليل من الأمثلة (FSL)، وخاصة شبكات النماذج الأولية وMAML، مع طرق الذكاء الاصطناعي القابل للتفسير (XAI)، مثل Grad-CAM، في تحقيق توقعات دقيقة للأمراض وتوفير رؤى قابلة للتفسير حول عمليات اتخاذ القرار للنماذج. تم تقديم منهجية معالجة مسبقة جديدة، والتي تضمنت توحيد وتطبيع الصور من خلال الشبكات العصبية التلافيفية (CNNs) لمعالجة البيانات المفقودة وتحسين أداء النموذج. أظهر النموذج المقترح نتائج متفوقة مقارنة بالنماذج الحديثة، محققًا دقة عالية، ودقة، واسترجاع، وقابلية للتفسير، مما يجعله مناسبًا بشكل خاص لتطبيقات الزراعة الذكية.
تناقش الورقة أيضًا أهمية تقنيات XAI في فهم توقعات النموذج، مع التأكيد على أهمية القابلية للتفسير في التطبيقات الزراعية. من خلال استخدام Grad-CAM وSHAP، توضح الدراسة كيف أثرت ميزات بصرية معينة على قرارات تصنيف النموذج، مما يعزز الثقة ويسهل اتخاذ قرارات مستنيرة بين الخبراء الزراعيين. تشير النتائج إلى أن الإطار المقترح يسد الفجوة في الأدبيات الحالية من خلال دمج جمع البيانات، والتعزيز، والمعالجة المسبقة، وFSL، وXAI في نظام متماسك لكشف أمراض النباتات، مما يعزز في النهاية تطوير أدوات تشخيص موثوقة وشفافة في الزراعة.
DOI: https://doi.org/10.1038/s41598-026-37501-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41786811
Publication Date: 2026-03-05
Author(s): Heba El-Behery et al.
Primary Topic: Smart Agriculture and AI
Overview
The section titled “Overview” introduces the concept of an explainable deep learning model, emphasizing its significance in enhancing the interpretability of complex neural network decisions. The authors highlight the necessity of explainability in artificial intelligence, particularly in critical applications where understanding model predictions is essential for trust and accountability.
In the “Conclusion and future scope” segment, the authors summarize their findings, indicating that the proposed model not only achieves high accuracy but also provides insights into the decision-making process. They suggest avenues for future research, including the integration of more advanced interpretability techniques and the application of their model to diverse domains, thereby broadening its impact and usability in real-world scenarios.
Introduction
The introduction highlights the critical threat posed by plant diseases to global food production, particularly in agriculture-dependent economies. It notes that traditional manual detection methods for diseases in crops such as rice and sugarcane are inefficient and often beyond the expertise of remote farmers. Recent advancements in deep learning and artificial intelligence (AI) facilitate the automatic categorization of diseases from leaf images, allowing for quicker and more cost-effective responses in the field. Utilizing extensive datasets, such as the Sugar Cane Leaf Disease Dataset and various rice disease datasets, AI algorithms can be trained to identify and classify diseases early, promoting timely interventions and reducing pesticide use.
The paper emphasizes the significance of improving dataset quality and model generalization across diverse environmental conditions to enhance agricultural yields and sustainability. By leveraging these datasets, AI has the potential to optimize yield predictions and minimize crop losses. The focus of this research is on the identification and classification of diseases affecting rice and sugarcane through specialized image datasets, underscoring the necessity of comprehensive datasets for developing reliable AI-driven disease detection systems. The primary contributions of this work include insights into the main causes of diseases in these crops and enhancements to the functionality of disease detection models.
Methods
In this section, the authors present a novel framework aimed at enhancing few-shot learning capabilities and interpretability in the context of disease identification in agricultural crops, specifically rice and sugar cane. The framework utilizes two publicly available datasets: the Sugar Cane Leaf Disease Dataset and the UCI Rice Leaf Diseases dataset. Key methodologies employed include data collection, augmentation, preprocessing, few-shot learning techniques, and explainable AI (XAI) approaches, as illustrated in Figure 1.
To evaluate the proposed system’s effectiveness, the datasets were split into an 80-20% training-test ratio. The performance metrics employed for assessment include recall, accuracy, precision, F1-score, and the ROC curve, with relevant formulas referenced in [47]. The experimental setup involved a 5-way 5-shot classification task, with a query size of 10 samples per class, conducted over 100 episodic training sessions. The model was optimized using the Adam optimizer with a CrossEntropy loss function and a fixed learning rate of $1 \times 10^{-4}$. Class prototypes for the Prototypical Network were derived as the mean of the support set embeddings, with logits for the softmax function calculated based on the negative squared Euclidean distance between query samples and these prototypes.
Discussion
In this study, various deep learning architectures, including VGG19, ResNet50, VGG16, Xception, Prototypical Networks, and Model-Agnostic Meta-Learning (MAML), were employed to enhance the prediction of crop diseases in rice and sugarcane. The integration of few-shot learning (FSL) techniques, specifically Prototypical Networks and MAML, with explainable artificial intelligence (XAI) methods, such as Grad-CAM, facilitated not only accurate disease predictions but also provided interpretable insights into the decision-making processes of the models. A novel preprocessing methodology was introduced, which involved standardizing and normalizing images through convolutional neural networks (CNNs) to address missing data and improve model performance. The proposed model demonstrated superior results compared to state-of-the-art models, achieving high accuracy, precision, recall, and interpretability, making it particularly suitable for smart farming applications.
The paper also discusses the significance of XAI techniques in understanding model predictions, emphasizing the importance of interpretability in agricultural applications. By utilizing Grad-CAM and SHAP, the study illustrated how specific visual features influenced the model’s classification decisions, thereby enhancing trust and facilitating informed decision-making among agricultural experts. The results indicate that the proposed framework effectively bridges the gap in existing literature by combining data collection, augmentation, preprocessing, FSL, and XAI into a cohesive system for plant disease detection, ultimately advancing the development of reliable and transparent diagnostic tools in agriculture.