DOI: https://doi.org/10.1038/s41598-025-98454-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40360734
تاريخ النشر: 2025-05-13
المؤلف: Amin S. Ibrahim وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تناقش هذه القسم التحديات التي تواجه الزراعة الحديثة، وخاصة القضايا مثل ندرة المياه، وأمراض النباتات، و infestations الآفات، وكيف يمكن أن تساعد الزراعة الذكية المعتمدة على إنترنت الأشياء (IoT)، جنبًا إلى جنب مع الذكاء الاصطناعي (AI)، في معالجة هذه المشكلات. يقدم البحث محور الزراعة الذكية المعتمد على AI-IoT المصمم لتعزيز اكتشاف وعلاج أمراض النباتات، متجاوزًا القيود المرتبطة بالأجهزة الزراعية التقليدية مثل الطائرات بدون طيار والروبوتات. تستخدم بنية النظام المقترحة نموذج تعلم عميق (DL)، وتحديدًا ResNet50 المدرب مسبقًا، والذي تم تدريبه على مجموعة بيانات معززة مكونة من 25,940 صورة لتصنيف 11 فئة من أوراق النباتات. حقق النموذج دقة اختبار مثيرة للإعجاب بلغت 99.8%، مع درجة F1 تبلغ 99.91%، واسترجاع 99.92%، ودقة 100%.
في الختام، يؤكد البحث على فعالية محور الزراعة الذكية المعتمد على AI-IoT في تحسين إنتاج المحاصيل ومعالجة ندرة الغذاء. يوضح تصميم وتنفيذ النظام، الذي يتم التحكم فيه بواسطة Raspberry Pi ومبرمج بلغة بايثون. لا يسهل النظام فقط اكتشاف أمراض النباتات ولكن أيضًا يقوم بأتمتة رش الأسمدة للعلاج. بالإضافة إلى ذلك، تم تطوير تطبيق موبايل لتزويد المزارعين بإرشادات الخبراء حول إدارة الأمراض. تهدف الأعمال المستقبلية إلى تحسين عمليات الري المائي وتدابير مكافحة الآفات ضمن الإطار المقترح، مما يعزز الممارسات الزراعية المستدامة.
الطرق
تركز منهجية البحث المقترح على تطوير بنية نظام AI-IoT مصممة للزراعة الذكية، تهدف بشكل خاص إلى اكتشاف وعلاج أمراض النباتات. يتم توضيح تصميم النظام في الشكل 1. تشمل الإعدادات التجريبية طيارًا للأجهزة يسهل عمليات مختلفة أساسية لإدارة أمراض النباتات بشكل فعال، مثل تعزيز البيانات، واكتشاف الأمراض، واستراتيجيات العلاج، وتصميم تطبيق موبايل للتفاعل مع المستخدم.
في النتائج التجريبية، تم تحليل وتقييم تقنيات تعزيز البيانات وعمليات اكتشاف أمراض النباتات بشكل صارم. كانت هذه التحليلات تهدف إلى تحسين اكتشاف أمراض النباتات، مما يضمن فعالية النظام في التطبيقات الزراعية الواقعية. تؤكد النتائج على أهمية دمج التقنيات المتقدمة في الزراعة لتعزيز إدارة الأمراض وتحسين صحة المحاصيل.
النتائج
تسلط قسم النتائج في البحث الضوء على فعالية تقنيات تعزيز البيانات، وتحديدًا التكبير والانعكاس الأفقي، في تحسين أداء نموذج ResNet50 لاكتشاف أمراض النباتات. توضح الأشكال 7 و 8 أن التكبير يحسن دقة النموذج في اكتشاف أمراض النباتات، بينما يساهم الانعكاس الأفقي في تنويع مجموعة البيانات، مما يعزز من قوة النموذج.
تظهر مقاييس أداء نموذج ResNet50، التي تم تقييمها على مجموعة بيانات مكونة من 25,940 صورة معززة، دقة عالية في تصنيف 11 فئة من النباتات. تكشف مصفوفة الالتباس وتقرير التصنيف أن النموذج يحقق دقة عالية، واسترجاع، ودرجات F1 عبر الفئات، مما يشير إلى موثوقيته وفعاليته في تقليل الإيجابيات الكاذبة والسلبية. هذه المقاييس حاسمة للتطبيقات الواقعية، حيث تضمن اكتشاف الأمراض بدقة، وهو أمر حيوي لإدارة المحاصيل الفعالة وتحسين العائد. يتم اشتقاق مقاييس تقييم تقرير التصنيف من معادلات مثبتة، مما يبرز التقييم الشامل للنموذج في سيناريوهات مختلفة، خاصة في سياق مجموعات البيانات غير المتوازنة.
المناقشة
في قسم المناقشة، يستعرض البحث نماذج التعلم العميق (DL) المختلفة وتقنيات إنترنت الأشياء المطبقة على اكتشاف وعلاج أمراض النباتات. من الجدير بالذكر أن العديد من هياكل الشبكات العصبية التلافيفية (CNN) قد أظهرت دقة تصنيف عالية، حيث حققت نماذج مثل FL-EfficientNet دقة 99.72% على مجموعة بيانات الأمراض النباتية الجديدة (NPDD) ونموذج CNN ذو الخمس طبقات دقة 99.99% من خلال تعزيز الصور بشكل مكثف. يتم تسليط الضوء على دمج إنترنت الأشياء مع أنظمة الري التقليدية، مثل الري المحوري المركزي (CPI)، كوسيلة لتحسين إدارة المياه وعلاج الأمراض في الممارسات الزراعية. تتكون بنية النظام المقترحة من ثلاث طبقات: طبقة حقل الاستشعار لمراقبة وتنفيذ العمليات، وطبقة الاتصال لنقل البيانات، وطبقة التطبيق للتفاعل مع المستخدم عبر تطبيق موبايل.
تم تصميم الطيار للأجهزة المقترح للعمل ضمن نظام الري المحوري المركزي، مع دمج وحدة تحكم Raspberry Pi لإدارة كل من الري واكتشاف الأمراض. يستخدم النظام نموذج ResNet50 لتصنيف أمراض النباتات، محققًا دقة عالية من خلال تقنيات تعزيز البيانات التي تعزز ميزات الصورة. يتيح تطبيق الموبايل، PLANTUM، للمزارعين مسح وتصنيف أوراق النباتات، مما يوفر تغذية راجعة في الوقت الحقيقي حول صحة النباتات. لا يسهل دمج هذه التقنيات اكتشاف الأمراض وعلاجها بشكل فعال فحسب، بل يحسن أيضًا من ممارسات الري، مما يساهم في تحسين الإنتاجية الزراعية. تشير النتائج إلى إطار عمل قوي للزراعة الذكية، مستفيدًا من AI وIoT لمعالجة التحديات في إدارة صحة النباتات.
DOI: https://doi.org/10.1038/s41598-025-98454-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40360734
Publication Date: 2025-05-13
Author(s): Amin S. Ibrahim et al.
Primary Topic: Smart Agriculture and AI
Overview
This section discusses the challenges faced in modern agriculture, particularly issues such as water scarcity, plant diseases, and pest infestations, and how IoT-based smart farming, combined with artificial intelligence (AI), can address these problems. The paper introduces an AI-IoT Smart Agriculture Pivot designed to enhance plant disease detection and treatment, overcoming the limitations associated with traditional agricultural devices like drones and robotics. The proposed system architecture utilizes a deep learning (DL) model, specifically a pre-trained ResNet50, which was trained on an augmented dataset of 25,940 images to classify 11 classes of plant leaves. The model achieved an impressive testing accuracy of 99.8%, with an F1-score of 99.91%, Recall of 99.92%, and Precision of 100%.
In conclusion, the paper emphasizes the effectiveness of the AI-IoT Smart Agriculture Pivot in improving crop production and addressing food scarcity. It details the design and implementation of the system, which is controlled by a Raspberry Pi and programmed in Python. The system not only facilitates plant disease detection but also automates the spraying of fertilizers for treatment. Additionally, a mobile application is developed to provide farmers with expert guidance on disease management. Future work aims to enhance water irrigation processes and pest control measures within the proposed framework, further promoting sustainable agricultural practices.
Methods
The methodology of the proposed research focuses on the development of an AI-IoT system architecture tailored for smart agriculture, specifically aimed at detecting and treating plant diseases. The system’s design is illustrated in Figure 1. The experimental setup includes a hardware pilot that facilitates various processes essential for effective plant disease management, such as data augmentation, disease detection, treatment strategies, and the design of a mobile application for user interaction.
In the experimental results, both the data augmentation techniques and the plant disease detection processes were rigorously analyzed and evaluated. This analysis aimed to optimize the detection of plant diseases, ensuring the system’s efficacy in real-world agricultural applications. The findings underscore the importance of integrating advanced technologies in agriculture to enhance disease management and improve crop health.
Results
The results section of the paper highlights the effectiveness of data augmentation techniques, specifically zooming and horizontal flipping, in enhancing the performance of the ResNet50 model for plant disease detection. Figures 7 and 8 illustrate that zooming improves the model’s precision in detecting plant diseases, while horizontal flipping diversifies the dataset, thereby bolstering model robustness.
The performance metrics of the ResNet50 model, evaluated on a dataset of 25,940 augmented images, demonstrate high accuracy in classifying 11 plant classes. The confusion matrix and classification report reveal that the model achieves high precision, recall, and F1-scores across the classes, indicating its reliability and effectiveness in minimizing false positives and negatives. These metrics are crucial for real-world applications, as they ensure accurate disease detection, which is vital for effective crop management and yield optimization. The classification report’s evaluation metrics are derived from established equations, emphasizing the model’s comprehensive assessment in various scenarios, particularly in the context of imbalanced datasets.
Discussion
In the discussion section, the paper reviews various deep learning (DL) models and IoT technologies applied to plant disease detection and treatment. Notably, several convolutional neural network (CNN) architectures have demonstrated high classification accuracies, with models like FL-EfficientNet achieving 99.72% accuracy on the New Plant Diseases Dataset (NPDD) and a five-layered CNN model reaching 99.99% accuracy through extensive image augmentation. The integration of IoT with traditional irrigation systems, such as center pivot irrigation (CPI), is highlighted as a means to enhance water management and disease treatment in agricultural practices. The proposed system architecture comprises three layers: a sensor field layer for monitoring and actuating processes, a communication layer for data transmission, and an application layer for user interaction via a mobile app.
The proposed hardware pilot is designed to operate within the central pivot system, incorporating a Raspberry Pi controller to manage both irrigation and disease detection. The system utilizes a ResNet50 model for plant disease classification, achieving high accuracy through data augmentation techniques that enhance image features. The mobile application, PLANTUM, allows farmers to scan and classify plant leaves, providing real-time feedback on plant health. The integration of these technologies not only facilitates effective disease detection and treatment but also optimizes irrigation practices, thereby contributing to improved agricultural productivity. The results indicate a robust framework for smart agriculture, leveraging AI and IoT to address challenges in plant health management.