DOI: https://doi.org/10.1038/s41598-025-92143-0
PMID: https://pubmed.ncbi.nlm.nih.gov/40055410
تاريخ النشر: 2025-03-07
المؤلف: Yousef Alhwaiti وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تسلط الأبحاث الضوء على الحاجة الملحة للأتمتة المبكرة في تحديد أمراض النباتات لحماية المحاصيل، خاصة في الدول النامية المعتمدة على الزراعة. تشكل أمراض النباتات، التي تتميز بأعراض مثل الكلوروز والذبول، مخاطر كبيرة، مما يؤدي إلى خسائر كبيرة في المحاصيل. غالبًا ما تكافح طرق التعرف التقليدية من أجل الدقة بسبب تشابه الأعراض والتحديات مثل عدم توازن البيانات والتعليق المكلف. تقدم هذه الدراسة تطبيقًا جديدًا لنماذج التعلم العميق You Only Look Once (YOLO)، وتحديدًا YOLOv3 و YOLOv4، لتصنيف الأمراض في نباتات الفاكهة، باستخدام بيانات من مجموعة بيانات قرية النباتات.
تشير النتائج إلى أن YOLOv4 يتفوق بشكل كبير على YOLOv3، حيث حقق دقة تبلغ 98% ومتوسط دقة (mAP) يبلغ 98%، مع وقت اكتشاف لا يتجاوز 29 ثانية، مقارنة بدقة YOLOv3 التي تبلغ 97% و92% mAP ووقت اكتشاف يبلغ 105 ثوانٍ. تضع التعقيد المنخفض والسرعة المحسنة لـ YOLOv4 ككاشف فعال في الوقت الحقيقي، قادر على تحويل تشخيص أمراض النباتات وتحسين الإنتاجية الزراعية. تؤكد الدراسة على إمكانيات تقنيات التعلم العميق في إحداث ثورة في الممارسات الزراعية، مع العمل المستقبلي الذي يهدف إلى توسيع قدرات النموذج لتشمل أوراق الفاكهة المختلفة وتحديد مواقع الأمراض، بالإضافة إلى دمج هذه النماذج في المنصات المدمجة للتطبيقات في الوقت الحقيقي.
طرق
في هذا القسم، يحدد المؤلفون المنهجيات المستخدمة للكشف عن الأمراض في أوراق نباتات الفاكهة باستخدام تقنيات التعلم العميق، وتحديدًا نماذج YOLOv3 و YOLOv4. تستعرض الدراسة طرقًا مختلفة موجودة، مع تسليط الضوء على أدائها عبر تطبيقات مختلفة، كما هو ملخص في الجدول 1. من الجدير بالذكر أن استخدام الشبكات العصبية الاصطناعية (ANN) للكشف عن أمراض أوراق الموز حقق دقة عالية ولكنه اعتُبر غير مناسب للتطبيقات في الوقت الحقيقي. بالمقابل، أظهرت طريقة آلة الدعم الناقل (SVM) دقة تبلغ 97% لكنها واجهت صعوبة مع الفئات المتعددة. تم ملاحظة نماذج YOLO لأدائها العالي، على الرغم من عدم تقديم نتائج عددية محددة لبعض التطبيقات.
شملت الإجراءات التجريبية تدريب واختبار النماذج على نظام Windows 10 مع معالج Intel Core i7 وذاكرة RAM سعة 16 جيجابايت، باستخدام مكتبة Keras Python للتنفيذ. تم إجراء التدريب على Google Colab Pro مع دعم GPU. تم تقييم أداء نماذج YOLOv3 و YOLOv4 باستخدام مقاييس مثل الدقة، وF-measure، والاسترجاع، والدقة، مما يوفر تقييمًا شاملاً لفعاليتها في الكشف عن أمراض أوراق النباتات.
نتائج
يقدم القسم نتائج عددية توضح فعالية المنهجية المقترحة. تشير النتائج إلى تحسين كبير في مقاييس الأداء مقارنة بالنماذج الأساسية. بشكل محدد، تسلط النتائج الضوء على انخفاض معدلات الخطأ وزيادة الكفاءة الحاسوبية، مما يشير إلى أن النهج الجديد دقيق وفعال من حيث الموارد.
بالإضافة إلى ذلك، تتضمن التحليلات سيناريوهات وإعدادات معلمات مختلفة، مما يوضح قوة الطريقة عبر ظروف مختلفة. تدعم البيانات العددية الفرضية القائلة بأن التقنية المقترحة يمكن أن تتكيف بشكل جيد مع المدخلات المتنوعة، مما يعزز قابليتها للتطبيق في المواقف الواقعية. بشكل عام، توفر النتائج دليلًا مقنعًا على مزايا النهج الجديد في المجال ذي الصلة بالدراسة.
نقاش
في قسم النقاش، تسلط الورقة الضوء على التقدم الكبير في نماذج التعلم العميق لتطبيقات رؤية الكمبيوتر، وخاصة في الكشف عن أمراض النباتات. تظهر دراسات مختلفة أن هذه النماذج، بما في ذلك الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs) وYOLO (You Only Look Once)، تتفوق على الخبراء البشريين من حيث الدقة. على سبيل المثال، حققت شبكة عصبية تلافيفية عميقة دقة تبلغ 95.48% في تشخيص أمراض الأرز، بينما نموذج CNN الموجه نحو YOLO اكتشف بشكل فعال أمراض أوراق متعددة في صورة واحدة. تؤكد الأبحاث على فعالية نماذج مثل ResNet-50 و YOLO، التي أظهرت معدلات دقة مثيرة للإعجاب تصل إلى 98% في تحديد مختلف أمراض النباتات.
تقترح الورقة استخدام نموذج YOLOv4 للكشف عن الأمراض في أوراق الفراولة والخوخ، مستفيدة من أدائها في الوقت الحقيقي ومرونتها. تتكون مجموعة البيانات المستخدمة للتدريب من 4,222 صورة، مصنفة إلى أوراق صحية وأخرى مصابة. توضح الدراسة خطوات المعالجة المسبقة، بما في ذلك زيادة الصور والتطبيع، لتعزيز تدريب النموذج. تشير تقييمات الأداء لكل من نماذج YOLOv3 و YOLOv4 إلى معدلات دقة وفعالية عالية، حيث حقق YOLOv4 دقة تبلغ 98% ودقة تبلغ 98%، مما يبرز قوة النموذج في الكشف عن أمراض النباتات. تشير النتائج إلى أن تقنيات التعلم العميق، وخاصة نماذج YOLO، فعالة للغاية في أتمتة تحديد أمراض النباتات، وهو أمر حاسم للإدارة الزراعية.
DOI: https://doi.org/10.1038/s41598-025-92143-0
PMID: https://pubmed.ncbi.nlm.nih.gov/40055410
Publication Date: 2025-03-07
Author(s): Yousef Alhwaiti et al.
Primary Topic: Smart Agriculture and AI
Overview
The research highlights the critical need for early automation in identifying plant diseases to protect crops, particularly in agriculture-dependent developing nations. Plant diseases, characterized by symptoms such as chlorosis and wilting, pose significant risks, leading to substantial crop losses. Traditional identification methods often struggle with accuracy due to symptom similarity and challenges like data imbalance and costly annotation. This study introduces a novel application of the You Only Look Once (YOLO) deep learning models, specifically YOLOv3 and YOLOv4, for the classification of diseases in fruit plants, utilizing data from the Plant Village dataset.
The findings indicate that YOLOv4 significantly outperforms YOLOv3, achieving an accuracy of 98% and a mean average precision (mAP) of 98%, with a detection time of just 29 seconds, compared to YOLOv3’s 97% accuracy, 92% mAP, and 105 seconds detection time. The lower complexity and enhanced speed of YOLOv4 position it as an efficient real-time detector, capable of transforming plant disease diagnosis and improving agricultural productivity. The study underscores the potential of deep learning technologies in revolutionizing agricultural practices, with future work aimed at expanding the model’s capabilities to include various fruit leaves and disease localization, as well as integrating these models into embedded platforms for real-time applications.
Methods
In this section, the authors outline the methodologies employed for detecting diseases in fruit plant leaves using deep learning techniques, specifically the YOLOv3 and YOLOv4 models. The study reviews various existing methods, highlighting their performance across different applications, as summarized in Table 1. Notably, the use of artificial neural networks (ANN) for banana leaf disease detection achieved high accuracy but was deemed unsuitable for real-time applications. In contrast, the support vector machine (SVM) method demonstrated 97% accuracy but struggled with multiple classes. The YOLO models were noted for their high performance, although specific numerical results were not provided for some applications.
Experimental procedures involved training and testing the models on a Windows 10 system with an Intel Core i7 processor and 16 GB of RAM, utilizing the Keras Python library for implementation. Training was conducted on Google Colab Pro with GPU support. The performance of the YOLOv3 and YOLOv4 models was evaluated using metrics such as accuracy, F-measure, recall, and precision, providing a comprehensive assessment of their effectiveness in plant leaf disease detection.
Results
The section presents numerical results that demonstrate the effectiveness of the proposed methodology. The findings indicate a significant improvement in performance metrics compared to baseline models. Specifically, the results highlight a reduction in error rates and an increase in computational efficiency, suggesting that the new approach is both accurate and resource-effective.
Additionally, the analysis includes various scenarios and parameter settings, illustrating the robustness of the method across different conditions. The numerical data supports the hypothesis that the proposed technique can adapt well to varying inputs, thereby enhancing its applicability in real-world situations. Overall, the results provide compelling evidence for the advantages of the new approach in the relevant field of study.
Discussion
In the discussion section, the paper highlights the significant advancements in deep learning models for computer vision applications, particularly in plant disease detection. Various studies demonstrate that these models, including convolutional neural networks (CNNs), recurrent neural networks (RNNs), and YOLO (You Only Look Once), outperform human experts in accuracy. For instance, a deep convolutional neural network achieved a 95.48% accuracy in diagnosing rice diseases, while a YOLO-oriented CNN model effectively detected multiple leaf diseases in a single image. The research emphasizes the effectiveness of models like ResNet-50 and YOLO, which have shown impressive accuracy rates of up to 98% in identifying various plant diseases.
The paper proposes the use of a YOLOv4 model for detecting diseases in strawberry and peach leaves, leveraging its real-time performance and versatility. The dataset utilized for training consists of 4,222 images, categorized into healthy and diseased leaves. The study outlines the preprocessing steps, including image augmentation and normalization, to enhance model training. Performance evaluations of both YOLOv3 and YOLOv4 models indicate high precision and accuracy rates, with YOLOv4 achieving a precision of 98% and an accuracy of 98%, underscoring the model’s robustness in plant disease detection. The findings suggest that deep learning techniques, particularly YOLO models, are highly effective for automating the identification of plant diseases, which is crucial for agricultural management.