DOI: https://doi.org/10.3389/fpls.2026.1762956
PMID: https://pubmed.ncbi.nlm.nih.gov/41738049
تاريخ النشر: 2026-02-09
المؤلف: Adithiyaa D وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث نموذج شبكة عصبية تلافيفية خفيفة الوزن يسمى الشبكة الانتباهية والخفيفة (ALNet)، مصممة لتحقيق دقة تصنيف عالية مع تقليل عدد المعلمات. تتكون ALNet من ثلاثة مكونات رئيسية: ساق، نواة، ورأس، مع استلهام النواة من نماذج مسبقة التدريب مثل ResNet وSENet وEfficientNet وSqueezeNet وShuffleNet. تم تقييم النموذج من خلال التحقق المتقاطع بخمسة طيات على ثلاثة مجموعات بيانات، محققًا دقة ملحوظة تبلغ 99.78% للتصنيف متعدد الفئات و100% للتصنيف الثنائي على مجموعة بيانات كرمة العنب، بالإضافة إلى 99.95% على مجموعة بيانات التفاح و100% على مجموعة بيانات الكرز. من الجدير بالذكر أن ALNet تستخدم فقط 0.17 مليون معلمة، مما يجعلها أصغر بحوالي 18 مرة من SqueezeNet، وتتطلب فقط 151.98 MFLOPs و677.20 كيلوبايت في حجم النموذج.
في الختام، تُظهر ALNet إمكانات كبيرة في تصنيف أمراض أوراق النباتات بدقة عالية وتعقيد حسابي منخفض، مما يجعلها مناسبة للنشر على الأجهزة الطرفية ومنصات السحابة. يسمح هيكل النموذج بمعالجة فعالة، محققًا أوقات تدريب تبلغ 14 ثانية فقط لكل حقبة مقارنة بـ 17-31 ثانية للنماذج المسبقة التدريب. بينما تشير النتائج إلى فعالية ALNet في التطبيقات الزراعية، يقترح المؤلفون أن هناك حاجة لمزيد من البحث لتعزيز أداء النموذج في السيناريوهات الواقعية، خاصة في الحالات التي قد تفتقر فيها الصور إلى التباين. بشكل عام، تمثل ALNet تقدمًا واعدًا في أتمتة توقع الأمراض في الزراعة وقد تكون قابلة للتطبيق على تحديات تصنيف الصور الأخرى مع الضبط المناسب.
مقدمة
تتناول مقدمة الورقة القضية الحرجة للأمن الغذائي العالمي، مشددة على التأثير الضار للجراثيم الزراعية على إنتاجية المحاصيل وجودتها. تقدر منظمة الأغذية والزراعة (FAO) أن هذه الجراثيم تمثل خسائر سنوية تتراوح بين 20-40% من الإنتاج العالمي للمحاصيل، مما يترجم إلى أكثر من 220 مليار دولار أمريكي في الخسائر الاقتصادية، مما يؤثر بشكل خاص على البلدان النامية حيث يمكن أن تؤدي أمراض المحاصيل إلى تقليص الإنتاج بشكل كارثي بنسبة 80-90%. تتطلب تعقيدات السيطرة الفعالة على الأمراض نهجًا متكاملًا يجمع بين ممارسات زراعية مختلفة واستراتيجيات وبائية. تعتبر الطرق التقليدية لتحديد الأمراض، المعتمدة على الفحوصات البصرية من قبل الخبراء، كثيفة العمالة وعرضة للأخطاء، خاصة بالنسبة للأعراض في مراحلها المبكرة.
أظهرت التطورات الأخيرة في التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، وعدًا في تحسين دقة تحديد أمراض النباتات، مع تحقيق النماذج لأكثر من 99% دقة على مجموعات بيانات محكومة. ومع ذلك، فإن المتطلبات الحسابية العالية للهياكل المتطورة مثل VGG وResNet تشكل تحديات للتطبيقات الواقعية، خاصة في البيئات ذات الموارد المحدودة حيث تكون الاتصال السحابي غير موثوق. تقدم هذه الورقة نموذج ALNet، وهو هيكل CNN خفيف الوزن مصمم لمعالجة التوازن بين الدقة والكفاءة في تصنيف أمراض الأوراق. تتميز ALNet بتصميم مضغوط يحتوي على 0.17 مليون معلمة و677.20 كيلوبايت في الحجم، مما يجعلها مناسبة للنشر على الأجهزة ذات الطاقة المنخفضة. تم التحقق من فعالية النموذج عبر عدة مجموعات بيانات زراعية، مما يبرز إمكاناته للاستخدام العملي من قبل المزارعين في بيئات متنوعة. توضح الورقة هيكله، مع تفاصيل حول الأعمال ذات الصلة، وجدة ALNet، وخصوصيات الهيكل، والتحقق من مجموعة البيانات، وإعداد التجارب، ومقارنة النتائج مع النماذج الأساسية.
النتائج
في قسم النتائج، يقوم المؤلفون بإجراء تحليل تصنيفي مقارن لتقييم أداء نموذج ALNet مقابل نماذج التعلم الانتقالي الشائعة وتقنيات الحالة المتطورة في هذا المجال. يتم إجراء هذا التقييم باستخدام ثلاث مجموعات بيانات متميزة: كرمة العنب، التفاح، والكرز. يتم دعم النتائج باختبارات إحصائية للتحقق من النتائج، مما يوفر إطارًا قويًا لتقييم فعالية ALNet مقارنة بنظرائه.
المناقشة
تستعرض قسم المناقشة في الورقة نماذج التعلم الآلي (ML) والتعلم العميق (DL) المختلفة المستخدمة في تصنيف أمراض أوراق النباتات، مع تسليط الضوء على منهجياتها ومقاييس أدائها. يتم استخدام طرق ML التقليدية، مثل الغابة العشوائية (RF) وجار الأقرب (KNN) وآلة الدعم الناقل (SVM)، جنبًا إلى جنب مع تقنيات اختيار الميزات مثل تحليل المكونات الرئيسية (PCA) ومصفوفة التكرار الرمادي (GLCM). من الجدير بالذكر أن الشبكات العصبية التلافيفية (CNNs) تحقق معدلات دقة عالية (95-99%) في تصنيف الأمراض، مع استغلال التعلم الانتقالي للنماذج المسبقة التدريب مثل VGG وResNet. يتم أيضًا مناقشة تقنيات متقدمة مثل الشبكات التنافسية التوليدية (GANs) لزيادة الصور وطرق اكتشاف الكائنات مثل YOLO وFaster R-CNN، مما يبرز تطور هياكل النماذج نحو تحسين الدقة والكفاءة.
تتفصل القسم أيضًا في دراسات محددة ساهمت في هذا المجال، بما في ذلك مقارنات بين هياكل مختلفة وأدائها على مجموعات بيانات مثل PlantVillage. على سبيل المثال، يتم تقديم هيكل جديد يسمى ALNet، الذي يدمج مبادئ تصميم فعالة من النماذج الحالية لتحقيق دقة تصنيف عالية مع تقليل عدد المعلمات القابلة للتدريب إلى حوالي 173,364. يُظهر هذا النموذج عمومية كبيرة عبر مجموعات بيانات متنوعة، مما يجعله مناسبًا للنشر على الأجهزة ذات الموارد المحدودة. تؤكد الورقة على أهمية تحقيق التوازن بين الدقة والكفاءة الحسابية في تطوير حلول عملية للتطبيقات الواقعية في تكنولوجيا الزراعة.
القيود
تعتبر قيود نموذج ALNet، على الرغم من أدائه القوي وكفاءته المعلمية، جديرة بالملاحظة. أولاً، تم إجراء التحقق من صحة النموذج باستخدام التحقق المتقاطع بخمسة طيات على مجموعات بيانات مختارة من مستودع PlantVillage، والتي قد لا تعكس بدقة تعقيدات البيئات الزراعية الواقعية. تم التقاط مجموعات البيانات المستخدمة في ظروف محكومة، مما يفتقر إلى تنوع العوامل مثل اختلاف شدة الضوء، والخلفيات المعقدة، والاعتراضات، وضباب الحركة التي تسود في البيئات الزراعية الفعلية. ثانيًا، بينما تم توثيق كفاءة النموذج الحسابية من حيث الحجم والمعلمات وMFLOPs ووقت التدريب في بيئة GPU، لا تزال فترة الاستدلال واستهلاك الطاقة على الأجهزة الطرفية الحقيقية غير مقيمة. على الرغم من أن التصميم الخفيف يوحي بإمكانية النشر على الأطراف، فإن الاختبار التجريبي على الأجهزة الفعلية ضروري للتحقق من الأداء في الوقت الحقيقي وكفاءة الطاقة.
بالإضافة إلى ذلك، تم تقييد تقييم النموذج بعدد قليل من أنواع المحاصيل وفئات الأمراض. على الرغم من أن النتائج تشير إلى عمومية جيدة ضمن مجموعات بيانات أوراق النباتات المماثلة، إلا أن هناك حاجة لمزيد من التحقق عبر مجموعة أوسع من المحاصيل والأمراض، فضلاً عن الصور الحقلية الحقيقية، لتأكيد قابليته للتوسع. ستركز الأبحاث المستقبلية على معالجة هذه القيود، بما في ذلك التعاون المستمر مع المزارع المحلية لجمع بيانات العالم الحقيقي والمناقشات مع مزودي حلول الأجهزة الطرفية لتسهيل دمج ALNet في منتج قابل للنشر. تهدف هذه المبادرات إلى تمكين التقييمات المنهجية لفترة الاستدلال، واستهلاك الطاقة، والموثوقية تحت ظروف التشغيل العملية، مما يؤدي في النهاية إلى انتقال ALNet من نموذج بحثي إلى حل جاهز للحقل للمزارعين.
DOI: https://doi.org/10.3389/fpls.2026.1762956
PMID: https://pubmed.ncbi.nlm.nih.gov/41738049
Publication Date: 2026-02-09
Author(s): Adithiyaa D et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents a novel lightweight convolutional neural network model named Attentive and Lightweight Network (ALNet), designed to achieve high classification accuracy while minimizing the number of parameters. ALNet comprises three main components: a stem, a core, and a head, with the core inspired by various pre-trained models such as ResNet, SENet, EfficientNet, SqueezeNet, and ShuffleNet. The model was evaluated through 5-fold cross-validation on three datasets, achieving remarkable accuracies of 99.78% for multi-class and 100% for binary classification on a grapevine dataset, as well as 99.95% on an apple dataset and 100% on a cherry dataset. Notably, ALNet utilizes only 0.17 million parameters, making it approximately 18 times smaller than SqueezeNet, and requires only 151.98 MFLOPs and 677.20 KB in model size.
In conclusion, ALNet demonstrates significant potential for classifying plant leaf diseases with high accuracy and low computational complexity, making it suitable for deployment on edge devices and cloud platforms. The model’s architecture allows for efficient processing, achieving training times of just 14 seconds per epoch compared to 17-31 seconds for pre-trained models. While the results indicate ALNet’s effectiveness in agricultural applications, the authors suggest that further research is needed to enhance the model’s performance in real-world scenarios, particularly in cases where images may lack contrast. Overall, ALNet represents a promising advancement in the automation of disease prediction in agriculture and may be applicable to other image classification challenges with appropriate fine-tuning.
Introduction
The introduction of the paper addresses the critical issue of global food security, emphasizing the detrimental impact of agricultural pathogens on crop yield and quality. The Food and Agriculture Organization (FAO) estimates that these pathogens account for annual losses of 20-40% of global crop production, translating to over USD 220 billion in economic losses, particularly affecting developing countries where crop diseases can lead to catastrophic yield reductions of 80-90%. The complexity of effective disease control necessitates integrated approaches that combine various agricultural practices and epidemiological strategies. Traditional methods of disease identification, reliant on expert visual inspections, are labor-intensive and prone to errors, especially for early-stage symptoms.
Recent advancements in deep learning, particularly convolutional neural networks (CNNs), have shown promise in improving plant disease identification accuracy, with models achieving over 99% accuracy on controlled datasets. However, the high computational demands of state-of-the-art architectures like VGG and ResNet pose challenges for real-world applications, particularly in resource-constrained environments where cloud connectivity is unreliable. This paper introduces the ALNet model, a lightweight CNN architecture designed to address the trade-off between accuracy and efficiency in leaf disease classification. ALNet boasts a compact design with only 0.17 million parameters and 677.20 KB in size, making it suitable for deployment on low-power devices. The model’s effectiveness is validated across multiple agricultural datasets, highlighting its potential for practical use by farmers in diverse settings. The paper outlines its structure, detailing related work, the novelty of ALNet, architecture specifics, dataset validation, experimental setup, and results comparison with baseline models.
Results
In the Results section, the authors conduct a comparative classification analysis to evaluate the performance of the ALNet model against various prevalent transfer learning models and state-of-the-art techniques in the field. This evaluation is carried out using three distinct datasets: grapevine, apple, and cherry. The findings are supplemented by statistical tests to validate the results, providing a robust framework for assessing the efficacy of ALNet in comparison to its counterparts.
Discussion
The discussion section of the paper reviews various machine learning (ML) and deep learning (DL) models utilized for classifying plant leaf diseases, highlighting their methodologies and performance metrics. Traditional ML approaches, such as Random Forest (RF), K-Nearest Neighbour (KNN), and Support Vector Machine (SVM), are employed alongside feature selection techniques like Principal Component Analysis (PCA) and Gray-Level Co-occurrence Matrix (GLCM). Notably, convolutional neural networks (CNNs) achieve high accuracy rates (95-99%) in disease classification, with transfer learning leveraging pre-trained models like VGG and ResNet. Advanced techniques such as Generative Adversarial Networks (GANs) for image augmentation and object detection methods like YOLO and Faster R-CNN are also discussed, underscoring the evolution of model architectures towards improved accuracy and efficiency.
The section further details specific studies that have contributed to the field, including comparisons of different architectures and their performance on datasets like PlantVillage. For instance, a novel architecture named ALNet is introduced, which integrates efficient design principles from existing models to achieve high classification accuracy while minimizing the number of trainable parameters to approximately 173,364. This model demonstrates significant generalizability across various datasets, making it suitable for deployment on resource-constrained devices. The paper emphasizes the importance of balancing accuracy and computational efficiency in developing practical solutions for real-world applications in agricultural technology.
Limitations
The limitations of the ALNet model, despite its strong performance and parametric efficiency, are noteworthy. Firstly, the model’s validation was conducted using fivefold cross-validation on curated datasets from the PlantVillage repository, which may not accurately reflect the complexities of real-world agricultural environments. The datasets utilized were captured under controlled conditions, lacking the variability of factors such as differing light intensities, complex backgrounds, occlusions, and motion blur that are prevalent in actual agricultural settings. Secondly, while the model’s computational efficiency is documented in terms of size, parameters, MFLOPs, and training time in a GPU environment, its inference latency and energy consumption on real edge hardware remain unassessed. Although the lightweight design suggests potential for edge deployment, empirical testing on physical devices is essential for validating real-time performance and power efficiency.
Additionally, the model’s evaluation has been limited to a small number of crop species and disease categories. Although results indicate good generalizability within similar plant leaf datasets, further validation across a wider range of crops and diseases, as well as real-field images, is necessary to confirm its scalability. Future research will focus on addressing these limitations, including ongoing collaborations with local farms for real-world data collection and discussions with edge-device solution providers to facilitate the integration of ALNet into a deployable product. These initiatives aim to enable systematic evaluations of inference latency, power consumption, and robustness under practical operational conditions, ultimately transitioning ALNet from a research prototype to a field-ready solution for farmers.