DOI: https://doi.org/10.1038/s41598-025-33423-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41688475
تاريخ النشر: 2026-02-13
المؤلف: G. Bhavani وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث كاشف الصناديق المتعددة المعزز (EF-SSD)، وهو إطار عمل قائم على الذكاء الاصطناعي مصمم للكشف الدقيق والفعال عن أمراض أوراق البطاطس، التي تشكل مخاطر كبيرة على الأمن الغذائي. يستخدم EF-SSD هرم ميزات متعدد المقاييس مكون من 10 طبقات وآليات انتباه Squeeze-and-Excitation (SE) لتعزيز الكشف عن الآفات الصغيرة وغير المنتظمة والم occluded جزئيًا في الصور عالية الدقة (512×512 بكسل). أظهر النموذج أداءً استثنائيًا، محققًا دقة متوسطة (mAP) بنسبة 97% عند 0.5 تقاطع على اتحاد (IoU)، ودرجة F1 بنسبة 95%، وIoU بنسبة 89%، متجاوزًا الكواشف المعروفة مثل YOLOv5 وYOLOv8 وRetinaNet وFaster R-CNN. علاوة على ذلك، يعمل في الوقت الحقيقي بسرعة 47 إطارًا في الثانية، مما يجعله مناسبًا للتطبيقات الميدانية.
يهدف العمل المستقبلي إلى توسيع مجموعة البيانات لتشمل أنواعًا مختلفة من البطاطس وفئات الأمراض، بالإضافة إلى تنفيذ استراتيجيات التعلم شبه المراقب لتعزيز تعميم النموذج. كما يُخطط لتطوير خط أنابيب استشعار متعدد الوسائط يدمج التصوير RGB والتصوير الحراري لتحسين متانة الكشف تحت ظروف صعبة. بالإضافة إلى ذلك، سيتم إنشاء تطبيق موبايل لتسهيل الكشف عن الأمراض وإدارة التوصيات على الجهاز. سيتم أيضًا استكشاف قابلية EF-SSD للكشف عن أمراض النباتات بشكل أوسع عبر محاصيل مختلفة، بهدف تعزيز مرونته التشغيلية وقابليته للتعميم في البيئات الزراعية.
مقدمة
تسلط مقدمة الورقة الضوء على أهمية البطاطس (Solanum tuberosum L.) كأحد المحاصيل الغذائية العالمية الحيوية، مع التأكيد على تأثير أمراض الأوراق على المحصول وضرورة التطبيق الفوري لمبيدات الفطريات. يتناول المؤلفون التحديات المتعلقة بالكشف عن هذه الأمراض في ظروف الحقل، حيث تعقد الأوراق المتداخلة والإضاءة المتغيرة والعوامل البيئية تحديد أعراض المرض، والتي يمكن أن تُخلط بسهولة مع الضغوط غير المرتبطة بالمرض. يقدم هذا السياق تحديًا فريدًا لأنظمة رؤية الكمبيوتر، على عكس مجموعات البيانات الأكثر نظافة مثل PlantVillage.
لمعالجة هذه التحديات، تهدف الدراسة إلى تطوير مجموعة بيانات قوية تعكس بدقة الظروف الواقعية، تم التحقق منها من قبل خبراء أمراض النباتات، وإنشاء نموذج كشف خفيف وفعال قادر على تحديد علامات المرض الدقيقة. تم تصميم النموذج المقترح، EF-SSD، للعمل بفعالية في بيئات الحقل الديناميكية، محققًا مقاييس أداء مثيرة للإعجاب (مثل دقة متوسطة (mAP) بنسبة 97%، ودرجة F1 بنسبة 95%، وIoU بنسبة 89%) بسرعة 47 إطارًا في الثانية. تسعى الأبحاث في النهاية إلى تعزيز قابلية تطبيق نماذج الكشف في البيئات الزراعية من خلال مواءمة البيانات وتصميم النموذج مع احتياجات الزراعة العملية، مما يساهم في تحسين أدوات مراقبة صحة النباتات.
النتائج
يقدم قسم النتائج تقييم الأداء لنموذج EF-SSD المقترح للكشف عن أمراض أوراق البطاطس، وخاصة العفن المبكر والعفن المتأخر، مقارنة بأنظمة الكشف عن الأجسام المتطورة. يستخدم النموذج دالة خسارة تصنيف softmax، تم تحسينها باستخدام مُحسِّن Adam على مدى 100 دورة، مع تقنيات مثل تعدين السلبية الصعبة وتخفيض معدل التعلم لتعزيز كفاءة التدريب ومنع الإفراط في التكيف. أظهر نموذج EF-SSD أداءً قويًا، محققًا دقة متوسطة (mAP) بنسبة 97% عند IoU 0.5 و71% عند IoU 0.5:0.95، متجاوزًا YOLOv8 بنسبة 2% و4% على التوالي. بالإضافة إلى ذلك، حافظ على درجة F1 متوسطة بنسبة 95% ودقة واسترجاع فوق 94% عبر جميع الفئات.
بالمقارنة مع YOLOv12، الذي كان بمثابة خط أساس قوي بدقة 95.8% واسترجاع 94.1%، تفوق نموذج EF-SSD في مقاييس التحديد الأكثر صرامة، مما يظهر حساسية أعلى ومعدلات اكتشاف خاطئة أقل. تشير النتائج إلى أن الهيكل الهرمي متعدد المقاييس الممتد وآليات الانتباه في EF-SSD تعالج بفعالية التحديات المتعلقة بتغير المقياس والتعقيد البصري في الكشف عن الأمراض الزراعية. تم التحقق من أداء النموذج من خلال مقاييس كمية شاملة ورؤى نوعية، مما يؤكد إمكانيته للتطبيقات في الوقت الحقيقي في البيئات الزراعية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم والتحديات في الكشف عن أمراض النباتات باستخدام نماذج التعلم العميق المختلفة، مع التركيز بشكل خاص على كاشف الصناديق المتعددة المعزز (EF-SSD). لقد اكتسبت النماذج ذات المرحلة الواحدة، مثل YOLOv5، زخمًا بسبب سرعتها وكفاءتها في التصوير الزراعي، ومع ذلك غالبًا ما تفشل في تحديد مواقع الأمراض المحددة. في المقابل، تتفوق النماذج ذات المرحلتين مثل Faster R-CNN في التعامل مع الخلفيات المعقدة ولكنها أبطأ. يعالج نموذج EF-SSD هذه القيود من خلال دمج هيكل ميزات متعدد المقاييس مكون من عشرة طبقات وكتل Squeeze-and-Excitation، مما يعزز قدرته على الكشف عن الآفات الدقيقة عبر مقاييس مختلفة مع الحفاظ على الكفاءة الحاسوبية.
تتكون مجموعة البيانات المستخدمة لتدريب EF-SSD من 2500 صورة مصنفة إلى فئات العفن المبكر والعفن المتأخر والصحي، تم التقاطها تحت ظروف حقل متنوعة. تم تصميم هيكل النموذج لتحسين استخراج الميزات وإعادة التقييم، مما يؤدي إلى زيادة كبيرة في درجات دقة متوسطة (mAP). تظهر التحليلات المقارنة ضد النماذج الأساسية، بما في ذلك YOLOv5 وYOLOv8 وFaster R-CNN، أن EF-SSD يحقق دقة ومقاييس تحديد مواقع متفوقة، مع درجة IoU تبلغ 89% ومعامل تشابه Dice يبلغ 90%. تؤكد النتائج على إمكانيات EF-SSD للنشر في الوقت الحقيقي في البيئات الزراعية، مع التأكيد على قوته في الكشف عن أمراض أوراق البطاطس وتحديد مواقعها بفعالية.
القيود
يسلط قسم القيود الضوء على عدة تحديات تواجه نموذج EF-SSD في الكشف بدقة عن أمراض أوراق البطاطس. بينما يعمل النموذج بشكل جيد على مجموعة بيانات مختارة، فإن دقته تتناقص تحت تحولات التوزيع، والتي تشمل التغيرات في الأصناف ومراحل النمو والظروف البيئية مثل الإضاءة القاسية وضباب الحركة. بالإضافة إلى ذلك، فإن الكشف عن الآفات الصغيرة في مراحلها المبكرة يمثل مشكلة خاصة بسبب حجمها الصغير، الذي غالبًا ما يشغل بكسلات قليلة فقط. كما أن جودة التعليقات التوضيحية تمثل تحديًا، حيث يمكن أن تؤدي حدود الآفات غير المنتظمة وضوضاء التسمية العرضية إلى إدخال تحيز، مما يزيد من تعقيد التوازن بين الفئات ووجود الأنماط النادرة.
لمعالجة هذه القيود، يقترح المؤلفون استراتيجية شاملة تتضمن توسيع وإعادة توازن مجموعة البيانات عبر مناطق وظروف مختلفة، وتنفيذ تحسينات مستهدفة للبيانات، واستخدام تقنيات أخذ عينات متوازنة بين الفئات. كما يخططون لتعزيز دقة الكشف من خلال تحسين ممارسات التسمية، وطرق الاستدلال المنقحة للأجسام الصغيرة، وتقنيات ضغط النموذج للنشر على الأجهزة الطرفية. تؤكد خارطة الطريق على أهمية التقييم عبر المجالات، وتدقيق أوضاع الفشل، واستخدام التعلم النشط لتحسين متانة النموذج قبل إصداره للجمهور.
DOI: https://doi.org/10.1038/s41598-025-33423-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41688475
Publication Date: 2026-02-13
Author(s): G. Bhavani et al.
Primary Topic: Smart Agriculture and AI
Overview
The research introduces the Enhanced Single Shot Multibox Detector (EF-SSD), an AI-based framework designed for the accurate and efficient detection of potato leaf diseases, which pose significant risks to food security. EF-SSD employs a 10-layer multi-scale feature pyramid and Squeeze-and-Excitation (SE) attention mechanisms to enhance the detection of small, irregular, and partially occluded lesions in high-resolution images (512×512 pixels). The model demonstrated exceptional performance, achieving a mean Average Precision (mAP) of 97% at 0.5 Intersection over Union (IoU), an F1-score of 95%, and an IoU of 89%, surpassing established detectors such as YOLOv5, YOLOv8, RetinaNet, and Faster R-CNN. Furthermore, it operates in real-time at 47 frames per second, making it suitable for on-field applications.
Future work aims to expand the dataset to encompass various potato varieties and disease classes, while also implementing semi-supervised learning strategies to enhance model generalization. The development of a multimodal sensing pipeline that integrates RGB and thermal imaging is planned to improve detection robustness under challenging conditions. Additionally, a mobile application will be created to facilitate on-device disease detection and management recommendations. The adaptability of EF-SSD for broader plant-disease detection across different crops will also be explored, aiming to enhance its operational versatility and generalizability in agricultural settings.
Introduction
The introduction of the paper highlights the significance of potato (Solanum tuberosum L.) as a vital global food crop, emphasizing the impact of leaf diseases on yield and the necessity for timely fungicide application. The authors address the challenges of detecting these diseases in field conditions, where overlapping leaves, variable lighting, and environmental factors complicate the identification of disease symptoms, which can be easily confused with non-disease-related stresses. This context presents a unique challenge for computer vision systems, contrasting with cleaner datasets like PlantVillage.
To tackle these challenges, the study aims to develop a robust dataset that accurately reflects real-world conditions, verified by plant disease experts, and to create a lightweight, efficient detection model capable of identifying subtle disease signs. The proposed model, EF-SSD, is designed to operate effectively in dynamic field environments, achieving impressive performance metrics (e.g., mean Average Precision (mAP) of 97%, F1 score of 95%, and Intersection over Union (IoU) of 89%) at a speed of 47 frames per second. The research ultimately seeks to enhance the applicability of detection models in agricultural settings by aligning data and model design with practical farming needs, thereby contributing to improved plant health monitoring tools.
Results
The results section presents the performance evaluation of the proposed EF-SSD model for detecting potato leaf diseases, specifically Early Blight and Late Blight, compared to state-of-the-art object detection systems. The model employs a softmax classification loss function, optimized using the Adam optimizer over 100 epochs, with techniques such as hard negative mining and learning rate decay to enhance training efficiency and prevent overfitting. The EF-SSD model demonstrated robust performance, achieving a mean average precision (mAP) of 97% at IoU 0.5 and 71% at IoU 0.5:0.95, surpassing YOLOv8 by 2% and 4%, respectively. Additionally, it maintained a macro-averaged F1-score of 95% and class-wise precision and recall above 94% across all categories.
In comparison to YOLOv12, which served as a strong baseline with a precision of 95.8% and recall of 94.1%, the EF-SSD model outperformed in stricter localization metrics, demonstrating superior sensitivity and lower false detection rates. The results indicate that the extended multi-scale hierarchy and attention mechanisms in EF-SSD effectively address challenges related to scale variation and visual complexity in agricultural disease detection. The model’s performance was validated through comprehensive quantitative metrics and qualitative insights, confirming its potential for real-time applications in agricultural settings.
Discussion
The discussion section of the research paper highlights the advancements and challenges in plant disease detection using various deep learning models, particularly focusing on the Extended Feature Single Shot Multibox Detector (EF-SSD). One-stage models, such as YOLOv5, have gained traction for their speed and efficiency in agricultural imaging, yet they often fall short in pinpointing specific disease locations. In contrast, two-stage models like Faster R-CNN excel in handling complex backgrounds but are slower. The EF-SSD model addresses these limitations by incorporating a ten-layer multi-scale feature hierarchy and Squeeze-and-Excitation blocks, enhancing its ability to detect subtle lesions across varying scales while maintaining computational efficiency.
The dataset used for training EF-SSD consists of 2,500 images categorized into Early Blight, Late Blight, and Healthy classes, captured under diverse field conditions. The model’s architecture is designed to improve feature extraction and recalibration, resulting in a significant increase in mean Average Precision (mAP) scores. Comparative analyses against baseline models, including YOLOv5, YOLOv8, and Faster R-CNN, demonstrate that EF-SSD achieves superior accuracy and localization metrics, with an IoU score of 89% and a Dice Similarity Coefficient of 90%. The findings underscore the potential of EF-SSD for real-time deployment in agricultural settings, emphasizing its robustness in detecting and localizing potato leaf diseases effectively.
Limitations
The section on limitations highlights several challenges faced by the EF-SSD model in accurately detecting potato leaf diseases. While the model performs well on a curated dataset, its accuracy diminishes under distribution shifts, which include variations in cultivars, growth stages, and environmental conditions such as harsh lighting and motion blur. Additionally, the detection of tiny early-stage lesions is particularly problematic due to their small size, which often occupies only a few pixels. The quality of annotations also poses a challenge, as irregular lesion boundaries and occasional label noise can introduce bias, compounded by class imbalances and the presence of rare phenotypes.
To address these limitations, the authors propose a comprehensive strategy that includes expanding and rebalancing the dataset across various regions and conditions, implementing targeted data augmentations, and employing class-balanced sampling techniques. They also plan to enhance detection accuracy through improved labeling practices, refined inference methods for small objects, and model compression techniques for deployment on edge devices. The roadmap emphasizes the importance of cross-domain evaluation, auditing failure modes, and utilizing active learning to improve the model’s robustness before its public release.