DOI: https://doi.org/10.1038/s41598-025-94636-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40155421
تاريخ النشر: 2025-03-28
المؤلف: Hafiz Muhammad Faisal وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
يخضع القطاع الزراعي لتحول كبير بسبب التقدم في تقنيات الذكاء الاصطناعي (AI) والتعلم العميق، خاصة في مجال اكتشاف أمراض المحاصيل. تركز هذه الدراسة على محصول القطن، وهو مورد اقتصادي حيوي، مع التأكيد على أهمية التعرف المبكر والدقيق على الأمراض لتقليل الخسائر المحتملة في العائد. تم استخدام نماذج تعلم عميق متطورة، بما في ذلك VGG16 وDenseNet وEfficientNet وInceptionV3 وMobileNet وNasNet وResNet، لتحليل بيانات أمراض القطن في العالم الحقيقي. أشارت النتائج التجريبية إلى أن نموذج ResNet152 تفوق على نظرائه، مما جعله أداة فعالة للغاية في التعرف على أمراض القطن.
استهدفت الأبحاث بشكل خاص أربع أمراض للقطن: حشرة القطن، الأنثراكنوز، الثربس، والعفن، باستخدام مجموعة بيانات تم جمعها تحت ظروف إضاءة متنوعة. تم تدريب واختبار ثمانية عشر نموذجًا للتعلم العميق، حيث ظهرت DenseNet169 وEfficientNetB1 وMobileNetV2 وResNet152 كأكثرها دقة. من بين هذه النماذج، حقق ResNet152 أعلى دقة عبر مراحل التدريب والاختبار والتحقق، مما يدل على إمكانيته في تطبيقات اكتشاف الأمراض في الوقت الحقيقي. تشير النتائج إلى أن دمج نماذج التعلم العميق في الممارسات الزراعية، مثل تقنيات الرش المتغيرة، يمكن أن يعزز إدارة الأمراض. قد تتضمن الأعمال المستقبلية دمج أجهزة إنترنت الأشياء والحوسبة الطرفية لاكتشاف الأمراض في الوقت الحقيقي، بالإضافة إلى توسيع تطبيق النموذج ليشمل محاصيل أخرى من خلال التعلم الانتقالي والتعاون مع خبراء الزراعة.
طرق
تتركز المنهجية الموضحة في هذه الدراسة على اكتشاف الأمراض المختلفة التي تؤثر على محاصيل القطن، وخاصة حشرة القطن، الأنثراكنوز، الثربس، والعفن، باستخدام نماذج التعلم العميق (DL). يتكون إطار الكشف المقترح من أربع مراحل رئيسية: جمع البيانات، معالجة البيانات، تدريب النموذج، والتحقق والكشف. في البداية، يتم جمع صور لكل من نباتات القطن السليمة والمريضة لإنشاء مجموعة بيانات شاملة. ثم يتم تطبيق تقنيات زيادة البيانات، مثل القص العشوائي، والدوران، والانعكاس، لتعزيز تنوع مجموعة البيانات. بعد الزيادة، يتم تصنيف الصور وفقًا لفئات الأمراض الخاصة بها، والتي تعمل كمدخلات لتدريب شبكة عصبية تلافيفية (CNN). يتم تدريب النموذج عن طريق ضبط معاييره لتقليل الفجوة بين المخرجات المتوقعة والتسميات الفعلية، مع السعي في النهاية لتحقيق اكتشاف دقيق للأمراض.
في قسم نتائج التجارب، يصف المؤلفون مقاييس الأداء وإعداد التجارب المستخدمة لتقييم النماذج المدربة. تم إجراء جميع التجارب على جهاز مزود بمعالج Core i5 من الجيل العاشر وNVIDIA GTX 970 GPU. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (70%)، واختبار (20%)، وتنبؤ (10%) لتقييم أداء النماذج على البيانات غير المرئية. يتم تقديم النتائج من نماذج التعلم العميق المختلفة المطبقة على مجموعة البيانات، مع تسليط الضوء على فعاليتها في اكتشاف الأمراض في محاصيل القطن.
نتائج
يقدم قسم النتائج أداء نماذج التعلم العميق المختلفة المطبقة على اكتشاف أمراض القطن، بما في ذلك VGG16 وDenseNet وEfficientNet وInceptionV3 وMobileNet وXception وNasNet mobile وResNet. حقق نموذج VGG16 دقة تجاوزت 98% مع خسارة قدرها 0.0042، وبلغت ذروتها بعد 17 دورة. كما أبلغت نماذج DenseNet (DenseNet121 وDenseNet169 وDenseNet201) عن دقة تزيد عن 98%، مع خسائر قدرها 0.217 و0.007 و0.015 على التوالي، مع تقلبات حول الدورة العاشرة. وصلت نماذج EfficientNet إلى دقة تصل إلى 99%، بينما حقق InceptionV3 أكثر من 95% دقة مع خسارة قدرها 0.0022، على الرغم من بطء التقارب.
حققت MobileNetV1 وMobileNetV2 دقة تدريب والتحقق مشابهة تبلغ حوالي 97%. أدت نموذج Xception بشكل جيد، متجاوزة 98% دقة، على الرغم من أنها شهدت بعض التقلبات في الدورات المبكرة. في المقابل، كان أداء نموذج NasNet mobile ضعيفًا، حيث حقق دقة قصوى تبلغ 95% فقط. أخيرًا، من بين متغيرات ResNet التي تم اختبارها، أظهر ResNet152 أفضل أداء من حيث وقت الاستدلال والدقة، مع معدل تعلم قدره 0.01 ونسبة تسرب قدرها 0.2. تم تقديم ملخص للنتائج لجميع متغيرات ResNet في الجدول 3.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في تقنيات التعلم العميق (DL) لاكتشاف أمراض نباتات القطن، مع التأكيد على فعالية هياكل الشبكات العصبية التلافيفية (CNN) المختلفة. تكشف الدراسة أنه بينما تظهر نماذج مثل EfficientNet وResNet101 وDenseNet أداءً جديرًا بالثناء، فإن دقتها غالبًا ما تقل عن 85%. تُعزى هذه القيود إلى التحديات في استخراج الميزات وتعقيد أنماط الأمراض. في المقابل، يبرز ResNet152 بدقة مثيرة للإعجاب تبلغ 99%، بفضل هيكله الأعمق والاتصالات المتبقية الفعالة التي تعزز تمثيل الميزات وتخفف من مشاكل تلاشي التدرج.
تؤكد الأبحاث على أهمية اختيار النماذج المناسبة للتطبيقات الواقعية، خاصة في الزراعة الدقيقة، حيث تكون الدقة العالية ضرورية لتصنيف الأمراض. على الرغم من أن ResNet152 يتطلب حسابات مكثفة، فإن أدائه يبرر تطبيقه في السيناريوهات التي تتطلب موثوقية. يقترح المؤلفون أن تركز الأبحاث المستقبلية على تطوير هياكل هجينة ونماذج خفيفة الوزن محسّنة لتحقيق توازن بين الدقة والكفاءة. بشكل عام، تسهم هذه الدراسة بشكل كبير في المجال من خلال توفير مجموعة بيانات شاملة وتقييم مجموعة متنوعة من نماذج DL لاكتشاف أمراض محاصيل القطن، مما يعالج فجوة ملحوظة في الأدبيات الحالية.
القيود
تظهر الدراسة حول اكتشاف أمراض محاصيل القطن باستخدام نموذج التعلم العميق ResNet152 دقة مثيرة للإعجاب؛ ومع ذلك، فإنها مقيدة بعدة قيود كبيرة. أولاً، تعتمد النموذج على الصور عالية الدقة مما يطرح تحديات في البيئات الزراعية الواقعية، حيث يمكن أن تؤثر عوامل مثل الإضاءة السيئة وظروف الطقس القاسية على جودة الصورة. علاوة على ذلك، قد يتعرض أداء النموذج للخطر بسبب ظهور أمراض جديدة غير ممثلة في مجموعة بيانات التدريب، مما يؤدي إلى احتمالية التصنيفات الخاطئة.
بالإضافة إلى ذلك، تجعل المتطلبات الحاسوبية لهندسة ResNet152 من غير العملي استخدامها في التطبيقات الفورية على الأجهزة المحمولة أو في البيئات ذات الموارد المحدودة. مجموعة البيانات المستخدمة، على الرغم من تنوعها، تقتصر على أربعة أنواع فقط من الأمراض، مما يثير القلق بشأن قابليتها للتعميم عبر مناطق جغرافية مختلفة. تسلط الدراسة أيضًا الضوء على خطر الإفراط في التكيف بسبب زيادة البيانات وتوزيع الفئات المتجانسة، والتي قد لا تعكس بدقة تعقيدات حدوث الأمراض في العالم الحقيقي. أخيرًا، فإن غياب الاختبارات للنشر الفوري والبدائل الاقتصادية، مثل النماذج الخفيفة أو حلول الحوسبة الطرفية، يحد من التطبيق العملي للنتائج.
DOI: https://doi.org/10.1038/s41598-025-94636-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40155421
Publication Date: 2025-03-28
Author(s): Hafiz Muhammad Faisal et al.
Primary Topic: Smart Agriculture and AI
Overview
The agricultural sector is undergoing significant transformation due to advancements in artificial intelligence (AI) and deep learning technologies, particularly in the realm of crop disease detection. This study focuses on the cotton crop, a vital economic resource, emphasizing the importance of early and accurate disease identification to mitigate potential yield losses. Various state-of-the-art deep learning models, including VGG16, DenseNet, EfficientNet, InceptionV3, MobileNet, NasNet, and ResNet, were employed to analyze real-world cotton disease data. The experimental results indicated that the ResNet152 model outperformed its counterparts, establishing it as a highly effective tool for cotton disease recognition.
The research specifically targeted four cotton diseases: Mealybug, Anthracnose, Thrips, and Blight, utilizing a dataset collected under diverse illumination conditions. Eighteen deep learning models were trained and tested, with DenseNet169, EfficientNetB1, MobileNetV2, and ResNet152 emerging as the most accurate. Among these, ResNet152 achieved the highest accuracy across training, testing, and validation phases, demonstrating its potential for real-time disease detection applications. The findings suggest that integrating deep learning models into agricultural practices, such as variable rate spraying technologies, could enhance disease management. Future work may involve the incorporation of IoT devices and edge computing for real-time detection, as well as expanding the model’s applicability to other crops through transfer learning and collaboration with agronomists.
Methods
The methodology outlined in this research focuses on the detection of various diseases affecting cotton crops, specifically Mealybug, Anthracnose, Thrips, and Blight, utilizing deep learning (DL) models. The proposed detection framework consists of four key phases: data collection, data preprocessing, model training, and validation and detection. Initially, images of both healthy and diseased cotton plants are collected to create a comprehensive dataset. Data augmentation techniques, such as random cropping, rotation, and flipping, are then applied to enhance the dataset’s diversity. Following augmentation, the images are labeled according to their respective disease classes, which serve as input for training a convolutional neural network (CNN). The model is trained by adjusting its parameters to minimize the discrepancy between predicted outputs and actual labels, ultimately aiming for accurate disease detection.
In the experimental results section, the authors describe the performance metrics and experimental setup used to evaluate the trained models. All experiments were conducted on a machine equipped with a Core i5 10th Gen processor and an NVIDIA GTX 970 GPU. The dataset was divided into training (70%), testing (20%), and prediction (10%) subsets to assess the models’ performance on unseen data. The results from various deep learning models applied to the dataset are presented, highlighting their effectiveness in detecting diseases in cotton crops.
Results
The results section presents the performance of various deep learning models applied to cotton disease detection, including VGG16, DenseNet, EfficientNet, InceptionV3, MobileNet, Xception, NasNet mobile, and ResNet. The VGG16 model achieved an accuracy exceeding 98% with a loss of 0.0042, peaking after 17 epochs. DenseNet models (DenseNet121, DenseNet169, DenseNet201) also reported accuracies above 98%, with respective losses of 0.217, 0.007, and 0.015, displaying fluctuations around the 10th epoch. The EfficientNet models reached up to 99% accuracy, while InceptionV3 achieved over 95% accuracy with a loss of 0.0022, albeit with slower convergence.
MobileNetV1 and MobileNetV2 achieved similar training and validation accuracies of approximately 97%. The Xception model performed well, exceeding 98% accuracy, although it experienced some fluctuations in early epochs. In contrast, the NasNet mobile model underperformed, achieving a maximum accuracy of only 95%. Finally, among the ResNet variants tested, ResNet152 demonstrated the best performance in terms of inference time and accuracy, with a learning rate of 0.01 and dropout of 0.2. A summary of the results for all ResNet variants is provided in Table 3.
Discussion
The discussion section of the research paper highlights the advancements in deep learning (DL) techniques for detecting cotton plant diseases, emphasizing the effectiveness of various convolutional neural network (CNN) architectures. The study reveals that while models such as EfficientNet, ResNet101, and DenseNet demonstrate commendable performance, their accuracy often falls below 85%. This limitation is attributed to challenges in feature extraction and the complexity of disease patterns. In contrast, ResNet152 stands out with an impressive accuracy of 99%, owing to its deeper architecture and efficient residual connections that enhance feature representation and mitigate vanishing gradient issues.
The research underscores the importance of selecting appropriate models for real-world applications, particularly in precision agriculture, where high accuracy is crucial for disease classification. Although ResNet152 is computationally intensive, its performance justifies its application in scenarios demanding reliability. The authors suggest that future research could focus on developing hybrid architectures and optimized lightweight models to strike a balance between accuracy and efficiency. Overall, this study contributes significantly to the field by providing a comprehensive dataset and evaluating a variety of DL models for cotton crop disease detection, addressing a notable gap in existing literature.
Limitations
The study on cotton crop disease detection utilizing the ResNet152 deep learning model showcases impressive accuracy; however, it is constrained by several significant limitations. Primarily, the model’s dependence on high-resolution images poses challenges in real-world agricultural settings, where factors such as poor lighting and extreme weather conditions can hinder image quality. Furthermore, the model’s performance may be compromised by the emergence of new diseases not represented in the training dataset, leading to potential misclassifications.
Additionally, the computational demands of the ResNet152 architecture render it impractical for real-time applications on mobile devices or in resource-constrained environments. The dataset used, while diverse, is limited to only four disease types, raising concerns about its generalizability across various geographical regions. The study also highlights the risk of overfitting due to dataset augmentation and uniform class distribution, which may not accurately reflect the complexities of real-world disease occurrences. Lastly, the absence of testing for real-time deployment and cost-effective alternatives, such as lightweight models or edge computing solutions, further limits the practical applicability of the findings.