DOI: https://doi.org/10.1186/s13007-026-01508-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41725009
تاريخ النشر: 2026-02-22
المؤلف: Fernanda Leiva وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تبحث الدراسة في إطار عمل قائم على التعلم العميق لظاهرة الفينوتيب الآلي لمرض بقعة التفاح (AS)، وهو مرض كبير تسببه الفطريات Venturia inaequalis، والذي يؤثر سلبًا على إنتاجية وجودة التفاح. يتم انتقاد طرق التقييم التقليدية لكونها كثيفة العمالة وذات طابع شخصي. تستخدم الدراسة عملية ضبط دقيق من مرحلتين باستخدام نموذج YOLOv11 لاكتشاف الأجسام وتقسيم أعراض AS في ثمار التفاح، محققة دقة تزيد عن 90% في اكتشاف التفاح و78% في تحديد آفات AS. تم تعزيز أداء النموذج من خلال زيادة البيانات بشكل كبير وصور تدريب عالية الدقة، مما يتيح معالجة الصور وتدفقات الفيديو في الوقت الحقيقي، وبالتالي تسهيل التقييمات السريعة في الموقع.
تشير النتائج إلى أن نموذج YOLOv11 يوفر أداة قوية وقابلة للتوسع لظاهرة الفينوتيب لمرض AS، مما يعزز بشكل كبير سرعة وموضوعية وقابلية تكرار تقييمات الأمراض مقارنة بالتقييم اليدوي. تؤكد الدراسة على إمكانية الإطار لدعم تصنيف التفاح وتسريع برامج التربية التي تهدف إلى تطوير أنماط جينية مقاومة لمرض AS. ستركز الأعمال المستقبلية على نشر النظام على أجهزة الحوسبة الطرفية لمراقبة الوقت الحقيقي وتوسيع قدراته لاكتشاف أمراض التفاح الإضافية، مما يعزز فائدة أدوات الفينوتيب القائمة على الذكاء الاصطناعي في إنتاج التفاح المستدام.
مقدمة
تناقش مقدمة ورقة البحث أهمية التفاح (Malus domestica Borkh) كأحد المحاصيل الفاكهية المهمة عالميًا، حيث يتجاوز الإنتاج السنوي 86 مليون طن. يُقدَّر التفاح لجاذبيته الحسية وفوائده الغذائية، مما يساهم في الصحة الغذائية من خلال الألياف ومضادات الأكسدة والبوليفينولات. أدت قدرة زراعة التفاح على التكيف عبر المناخات المتنوعة إلى مبادرات تربية واسعة تهدف إلى تعزيز المقاومة للضغوط الحيوية وغير الحيوية، خاصة في سياق الزراعة العضوية، التي تركز على الاستدامة من خلال ممارسات مثل تدوير المحاصيل وإدارة صحة التربة.
تتمثل إحدى التحديات الرئيسية في إنتاج التفاح في إدارة مرض بقعة التفاح (AS)، الذي تسببه الفطريات Venturia inaequalis، والذي يؤثر بشكل كبير على جودة الثمار ويؤدي إلى خسائر اقتصادية. تسلط الورقة الضوء على قيود استراتيجيات إدارة الأمراض الحالية، خاصة في تقييم القابلية للإصابة بـ AS، والتي تشمل كل من الصفات المقاومة النوعية والكمية. تقدم التطورات الأخيرة في الفينوتيب الرقمي والتعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs) وخوارزميات YOLO، حلولًا واعدة للكشف السريع وغير الجراحي عن AS. ومع ذلك، غالبًا ما تركز الطرق الحالية على التصنيف الثنائي ولا تقيم بشكل كافٍ شدة الأعراض، وهو أمر حاسم لإدارة الأمراض الفعالة والتصنيف. لمعالجة هذه الفجوات، تقترح الدراسة نموذج تقسيم YOLO خفيف الوزن (YOLOv11-seg) مصمم للكشف عن شدة AS وقياسها في ظروف بيئية متنوعة، مما يعزز مراقبة الأمراض ودقة التصنيف في إنتاج التفاح.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تتفصل المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية ومعدات وعينات بيولوجية، لضمان إمكانية تكرار التجارب. يتم وصف المنهجية خطوة بخطوة، مع تسليط الضوء على التقنيات المستخدمة في جمع البيانات وتحليلها، مثل الاختبارات الإحصائية أو النماذج الحسابية المطبقة.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول حجم العينة، والمراقبات، وأي اعتبارات أخلاقية تم أخذها في الاعتبار خلال البحث. يضمن هذا النهج الشامل أن تكون الطرق شفافة ويسمح بالتحقق من النتائج المقدمة في الدراسة.
نتائج
في قسم النتائج، حقق النموذج الأول، الذي تم تدريبه حصريًا على صور التفاح الصحي، متوسط دقة (mAP) عند IoU 0.50 بنسبة 97%، مما يشير إلى دقة عالية في تحديد التفاح في كل من الإعدادات الداخلية والخارجية. كما أظهر النموذج أداءً قويًا في توقعات الصناديق المحيطة والأقنعة، مع درجات mAP@50-95 تبلغ 0.94 و0.92، على التوالي. بالمقابل، حقق النموذج الثاني، الذي شمل صور التفاح التي تظهر أعراض البقعة وأمراض أخرى، mAP@50 أقل بنسبة 89% عبر جميع الفئات، مع mAP محدد بنسبة 75% للتفاح المصاب بالبقعة (AS). يعكس ذلك التعقيد المتزايد في الكشف عن التفاح المريض وتقسيمه، على الرغم من أن النموذج لا يزال يحتفظ بأداء قوي في كل من مهام اكتشاف الأجسام وتقسيمها.
تم استخدام النموذج القائم على YOLO أيضًا لتقييم شدة مرض البقعة، مما أنتج مخرجات تضمنت صناديق محيطة، وأقنعة تقسيم، وتسميات فئات مع درجات ثقة. تضمنت عملية الكشف تعيين معرفات تفاح فريدة وحساب نسبة المنطقة المريضة بالنسبة لإجمالي منطقة التفاح، مع درجات شدة تتراوح من 1 (صحي) إلى 9 (مريض بشدة) بناءً على عتبات محددة مسبقًا. تم تسجيل النتائج بشكل منهجي في ملف Excel، يوضح معرفات التفاح، والتصنيفات، ومقاييس المرض. بالإضافة إلى ذلك، تم إنتاج صور مخرجات لتوضيح واضحة لتوقعات النموذج، مما يعزز كفاءة تقييم جودة الفاكهة الآلي مع ضمان القابلية للتفسير والكفاءة الحسابية لتطبيقات الزراعة في الوقت الحقيقي.
مناقشة
في هذه الدراسة، تم تطوير طريقة معالجة الصور القائمة على الذكاء الاصطناعي للكشف عن مرض بقعة التفاح (AS) وتقييم شدة المرض في ثمار التفاح. باستخدام كاميرا Sony RX1-RII عالية الدقة، تم التقاط الصور من بيئات متنوعة، بما في ذلك البساتين وظروف التخزين المسيطر عليها، لإنشاء مجموعة بيانات متنوعة من التفاح المصاب والصحي. سلطت الدراسة الضوء على قيود استراتيجيات إدارة البقعة التقليدية، مثل الاعتماد على المبيدات الفطرية والتقييمات البصرية كثيفة العمالة، والتي غالبًا ما تكون ذات طابع شخصي وتفتقر إلى القابلية للتكرار. تم اقتراح دمج تقنيات التعلم العميق (DL)، وخاصة نموذج YOLOv11، كبديل أكثر كفاءة للكشف في الوقت الحقيقي وتقسيم آفات AS، مما يظهر دقة بنسبة 75% في تقييم أنماط التفاح الجينية.
أكدت الأبحاث على أهمية دمج أدوات الفينوتيب عالية الدقة مع أساليب التربية الجزيئية لتعزيز تطوير أصناف مقاومة للبقعة تدوم طويلاً. بينما أظهر نموذج YOLOv11 وعدًا في تحسين قدرات الكشف، اعترفت الدراسة بالقيود المتعلقة بإعداد التصوير ثنائي الأبعاد، الذي قد يفوت الآفات على الجوانب غير الممسوحة من الثمرة. يجب أن تركز الأعمال المستقبلية على توسيع مجموعة البيانات لتشمل مجموعة متنوعة أوسع من أصناف التفاح والظروف البيئية، بالإضافة إلى استكشاف نماذج هجينة لتحسين القوة. بالإضافة إلى ذلك، يمكن أن يعزز نشر النظام على أجهزة الحوسبة الطرفية لمراقبة الوقت الحقيقي من قابليته للتطبيق في الزراعة الدقيقة، مما يدعم في النهاية إنتاج التفاح المستدام واستراتيجيات الإدارة المستنيرة.
DOI: https://doi.org/10.1186/s13007-026-01508-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41725009
Publication Date: 2026-02-22
Author(s): Fernanda Leiva et al.
Primary Topic: Smart Agriculture and AI
Overview
The research investigates a deep learning-based framework for the automated phenotyping of apple scab (AS), a significant disease caused by the fungus Venturia inaequalis, which adversely affects apple yield and quality. Traditional assessment methods are criticized for being labor-intensive and subjective. The study employs a two-stage fine-tuning process using the YOLOv11 model for object detection and segmentation of AS symptoms in apple fruits, achieving over 90% precision in apple detection and 78% precision in identifying AS lesions. The model’s performance was bolstered by extensive data augmentation and high-resolution training images, enabling real-time processing of images and video streams, thus facilitating rapid in situ evaluations.
The findings indicate that the YOLOv11 model provides a robust, scalable tool for AS phenotyping, significantly enhancing the speed, objectivity, and reproducibility of disease assessments compared to manual scoring. The study underscores the framework’s potential to support apple grading and accelerate breeding programs aimed at developing AS-resistant genotypes. Future work will focus on deploying the system on edge-computing hardware for real-time monitoring and expanding its capabilities to detect additional apple diseases, thereby enhancing the utility of AI-based phenotyping tools in sustainable apple production.
Introduction
The introduction of the research paper discusses the significance of apples (Malus domestica Borkh) as a globally important fruit crop, with annual production exceeding 86 million tons. Apples are valued for their sensory appeal and nutritional benefits, contributing to dietary health through fiber, antioxidants, and polyphenols. The adaptability of apple cultivation across diverse climates has led to extensive breeding initiatives aimed at enhancing resilience to biotic and abiotic stresses, particularly in the context of organic farming, which emphasizes sustainability through practices like crop rotation and soil health management.
A major challenge in apple production is the management of apple scab (AS), caused by the fungus Venturia inaequalis, which significantly affects fruit quality and leads to economic losses. The paper highlights the limitations of current disease management strategies, particularly in assessing susceptibility to AS, which involves both qualitative and quantitative resistance traits. Recent advancements in digital phenotyping and deep learning, particularly convolutional neural networks (CNNs) and YOLO algorithms, offer promising solutions for rapid, non-invasive detection of AS. However, existing methods often focus on binary classification and do not adequately assess symptom severity, which is crucial for effective disease management and grading. To address these gaps, the study proposes a lightweight YOLO segmentation model (YOLOv11-seg) designed to detect and quantify AS severity in various environmental conditions, thereby enhancing disease monitoring and grading accuracy in apple production.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology is described step-by-step, highlighting the techniques for data collection and analysis, such as statistical tests or computational models applied.
Additionally, the section may include information on the sample size, controls, and any ethical considerations taken into account during the research. This comprehensive approach ensures that the methods are transparent and allows for validation of the findings presented in the study.
Results
In the results section, the first model, trained exclusively on images of healthy apples, achieved a mean Average Precision (mAP) at IoU 0.50 of 97%, indicating high accuracy in identifying apples in both indoor and outdoor settings. The model also demonstrated strong performance in bounding box and mask predictions, with mAP@50-95 scores of 0.94 and 0.92, respectively. In contrast, the second model, which included images of apples exhibiting scab symptoms and other disorders, achieved a lower mAP@50 of 89% across all classes, with a specific mAP of 75% for apples with scab (AS). This reflects the increased complexity of detecting and segmenting diseased apples, although the model still maintained solid performance in both object detection and segmentation tasks.
The YOLO-based model was further utilized to assess scab disease severity, producing outputs that included bounding boxes, segmentation masks, and class labels with confidence scores. The detection process involved assigning unique Apple IDs and calculating the proportion of diseased area relative to the total apple area, with severity scores ranging from 1 (healthy) to 9 (highly diseased) based on predefined thresholds. Results were systematically recorded in an Excel file, detailing Apple IDs, classifications, and disease metrics. Additionally, output images were generated for clear visualization of the model’s predictions, enhancing the efficiency of automated fruit quality assessment while ensuring interpretability and computational efficiency for real-time agricultural applications.
Discussion
In this study, an AI-based image processing method was developed for detecting apple scab (AS) and assessing disease severity in apple fruits. Utilizing a high-resolution Sony RX1-RII camera, images were captured from various environments, including orchards and controlled storage conditions, to create a diverse dataset of infected and healthy apples. The study highlighted the limitations of traditional scab management strategies, such as reliance on fungicides and labor-intensive visual assessments, which are often subjective and lack reproducibility. The integration of deep learning (DL) techniques, particularly the YOLOv11 model, was proposed as a more efficient alternative for real-time detection and segmentation of AS lesions, demonstrating a precision of 75% in the evaluation of apple genotypes.
The research emphasized the importance of combining high-resolution phenotyping tools with molecular breeding approaches to enhance the development of durable scab-resistant cultivars. While the YOLOv11 model showed promise in improving detection capabilities, the study acknowledged limitations related to the 2D imaging setup, which could miss lesions on unscanned sides of the fruit. Future work should focus on expanding the dataset to include a wider variety of apple cultivars and environmental conditions, as well as exploring hybrid models for improved robustness. Additionally, deploying the system on edge-computing hardware for real-time monitoring could further enhance its applicability in precision agriculture, ultimately supporting sustainable apple production and informed management strategies.