DOI: https://doi.org/10.1038/s41538-025-00690-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41513663
تاريخ النشر: 2026-01-09
المؤلف: Guoquan Pei وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم الدراسة Origin-Tea، وهي شبكة عصبية تلافيفية خفيفة الوزن مصممة للتعرف الدقيق على الأصل الجغرافي لأوراق الشاي، وهو أمر أساسي لضمان الجودة وتتبعها في صناعة الشاي. تدمج Origin-Tea التلافيف العميقة القابلة للفصل مع آليات الانتباه من نوع الضغط والتحفيز (SE) لالتقاط التغيرات الظاهرية الدقيقة بفعالية مع الحفاظ على الكفاءة الحاسوبية. على عكس النماذج السابقة التي تعتمد على هياكل معقدة أو ميزات مصنوعة يدويًا، تم تصميم Origin-Tea لتكون ملائمة من حيث الكفاءة وقابلة للتفسير في السياقات الزراعية.
تتكون مجموعة البيانات المستخدمة من 900 صورة RGB عالية الدقة لأوراق شاي Yunkang 10 تم جمعها من سبع مناطق في مقاطعة يونان. تم تقييم النموذج باستخدام نهج التحقق المتقاطع المتداخل ذو العشرة طيات، مع تطبيق تقنيات تعزيز البيانات لتعزيز المتانة. حققت Origin-Tea دقة إجمالية (OA) تبلغ 0.92 ± 0.03 ومعامل كابا قدره 0.90 ± 0.03، متجاوزة النموذج الأساسي CoAtNet بنسبة 3.37% في الدقة مع تقليل عدد المعلمات بشكل كبير من 17 مليون إلى 1.7 مليون. بالإضافة إلى ذلك، في اختبار مستقل شمل 1,788 صورة من أربع قرى، أظهرت Origin-Tea تعميمًا ممتازًا بدقة OA تبلغ 0.97، مما يبرز إمكاناتها كحل قابل للتوسع للتحقق الذكي من أصل الشاي والتوصيف الدقيق.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية الشاي كمشروب مستهلك عالميًا، مع التأكيد على محتواه الغني من البوليفينولات وخصائصه المضادة للأكسدة. تناقش الورقة الطرق الحالية للتحقق من أصل الشاي، والتي تشمل التقنيات الطيفية المتعددة، ودمج البلوكشين، والاختبارات الفيزيائية والكيميائية. يتم تقديم تقدمات ملحوظة في هذا المجال، مثل تطوير نماذج التصنيف باستخدام مطيافية الأشعة تحت الحمراء القريبة (NIR) وتقنيات التعلم الآلي، التي أظهرت دقة عالية في تمييز أصول الشاي. ومع ذلك، تواجه هذه الطرق قيودًا، بما في ذلك التكاليف العالية والتعقيد، مما يعيق تطبيقها العملي في البيئات واسعة النطاق.
لمعالجة هذه التحديات، تقدم الدراسة Origin-Tea، وهي شبكة عصبية تلافيفية خفيفة الوزن مصممة للتعرف على أصل الشاي بناءً على صور ظاهرة RGB. يتضمن هذا النموذج تلافيف عميقة قابلة للفصل وآليات انتباه الضغط والتحفيز لتعزيز استخراج الميزات مع الحفاظ على الكفاءة الحاسوبية. تشكل مجموعة بيانات متنوعة من صور أوراق شاي Yunkang 10 من مناطق مختلفة في مقاطعة يونان أساسًا لهذه الدراسة. توضح الورقة مساهمات Origin-Tea، بما في ذلك هيكلها المبتكر، ودراسة إلغاء شاملة، وتطوير مجموعة بيانات متاحة للجمهور لتسهيل الأبحاث المستقبلية في تتبع الزراعة والزراعة الذكية.
طرق
في هذا القسم، يصف المؤلفون تصميم التجربة والظروف لدراسة إلغاء تهدف إلى تحسين هيكل نموذج Origin-Tea. تركز الدراسة على عنصرين رئيسيين: وحدات استخراج الميزات السطحية (S1 و S2) وعدد طبقات الكتلة في الشبكة الأساسية، والتي تم تغييرها من 0 إلى 9. من خلال إزالة وحدات S1 و S2 بشكل منهجي، قام الباحثون بتقييم تأثيرها على أداء التصنيف، خاصة فيما يتعلق باستخراج الميزات منخفضة المستوى. بالإضافة إلى ذلك، تم تعديل عمق النموذج لتقييم كيفية تأثير تغيير عدد طبقات الكتلة على قدرة النموذج على التقاط الميزات الدلالية عالية المستوى الضرورية لتمييز أصول الشاي. تم استخدام استراتيجية التحقق المتقاطع ذو العشرة طيات (CV) لضمان متانة النتائج، مع متوسط مقاييس الأداء عبر الطيات وتقرير الانحرافات المعيارية لتقييم الاستقرار.
تم التحكم بدقة في الظروف التجريبية لتعزيز القابلية للتكرار، باستخدام بيئة أجهزة وبرامج متسقة. تضمنت الإعدادات وحدات معالجة رسومات عالية الأداء (NVIDIA GeForce RTX 4090 و RTX 4090D) ومعالج قوي (Intel Xeon Silver 4214R)، مما يسهل التدريب المتوازي متعدد وحدات معالجة الرسومات بكفاءة. تم إجراء التجارب باستخدام PyTorch 2.2.1، مع Python 3.9.7، ومكتبات رئيسية مثل NumPy وPandas لمعالجة البيانات. تم استخدام مُحسِّن AdamW مع انحلال الوزن قدره 0.0001 لتقليل الإفراط في التكيف، بينما تم اختيار حجم دفعة قدره 30 لتحقيق توازن بين الكفاءة الحاسوبية واستقرار التدرج. تم إجراء تحليلات حساسية من خلال تغيير عدد دورات التدريب (100 و 200 و 300) ومعدلات التعلم (0.01 و 0.001) لتقييم متانة النموذج تحت ظروف تدريب مختلفة.
نتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يبرز النتائج الهامة التي تدعم الفرضيات أو الأسئلة البحثية المطروحة سابقًا في الدراسة. عادةً ما يتم توضيح النتائج من خلال أشكال مختلفة من تمثيل البيانات، مثل الجداول أو الرسوم البيانية أو المخططات، التي توفر ملخصًا بصريًا للنتائج.
قد يتضمن القسم أيضًا تحليلات إحصائية، تشير إلى موثوقية وأهمية النتائج. على سبيل المثال، قد يتم الإبلاغ عن قيم p أو فترات الثقة لإظهار متانة النتائج. بشكل عام، يخدم هذا القسم لنقل الاكتشافات الأساسية للبحث، مما يمهد الطريق للنقاشات والتفسيرات اللاحقة في الأقسام التالية من الورقة.
نقاش
يسلط قسم النقاش في الورقة البحثية الضوء على النتائج من تحليل حساسية المعلمات وتأثير التكوينات المعمارية على أداء نموذج Origin-Tea المقترح لتحديد أصل الشاي. كشفت التحليلات أن هيكل MobileNetV3-Small حقق أداءً مثاليًا مع تكوين تدريب يتضمن 100 دورة ومعدل تعلم قدره 0.001، مما أدى إلى دقة إجمالية (OA) تبلغ 0.82 ومعامل كابا قدره 0.79. أدى زيادة معدل التعلم إلى 0.01 أو تمديد دورات التدريب إلى انخفاض الدقة والاستقرار، مما يدل على أهمية ضبط المعلمات بعناية لتقارب النموذج وتعميمه.
أظهرت تقييمات إضافية حول تأثير عمق الكتلة أن التكوينات الأكثر سطحية (B0) تفوقت باستمرار على المتغيرات الأعمق عبر مقاييس متعددة، بما في ذلك OA، ومتوسط الدقة (AA)، ومعامل ارتباط ماثيو (MCC). على وجه التحديد، حقق تكوين Origin-Tea-S01-B0 أعلى OA قدره 0.92، مما يبرز كفاءة النموذج مع وجود 1.7 مليون معلمة فقط. تؤكد النتائج أنه بينما قد تعزز الهياكل الأعمق استخراج الميزات، إلا أنها يمكن أن تقدم أيضًا تكرارًا زائدًا وإفراطًا في التكيف، خاصة في التطبيقات الزراعية حيث تكون كفاءة النموذج أمرًا حاسمًا. بشكل عام، لم يتفوق نموذج Origin-Tea فقط على نماذج الأساس المختلفة، بل أظهر أيضًا قدرات تعميم قوية تحت تحولات المجال، مما يجعله حلاً عمليًا للتحقق من أصل الشاي في العالم الحقيقي باستخدام تقنية تصوير RGB المتاحة بسهولة.
DOI: https://doi.org/10.1038/s41538-025-00690-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41513663
Publication Date: 2026-01-09
Author(s): Guoquan Pei et al.
Primary Topic: Smart Agriculture and AI
Overview
The study presents Origin-Tea, a novel lightweight convolutional neural network designed for the accurate identification of the geographical origin of tea leaves, which is essential for quality assurance and traceability in the tea industry. Origin-Tea integrates depthwise separable convolutions with squeeze-and-excitation (SE) attention mechanisms to effectively capture subtle phenotypic variations while maintaining computational efficiency. Unlike previous models that rely on complex architectures or handcrafted features, Origin-Tea is tailored for both efficiency and interpretability in agricultural contexts.
The dataset utilized consists of 900 high-resolution RGB images of Yunkang 10 tea leaves collected from seven regions in Yunnan Province. The model was evaluated using a 10-fold stratified nested cross-validation approach, with data augmentation techniques applied to enhance robustness. Origin-Tea achieved an overall accuracy (OA) of 0.92 ± 0.03 and a Kappa coefficient of 0.90 ± 0.03, surpassing the baseline model CoAtNet by 3.37% in accuracy while significantly reducing the number of parameters from 17 million to 1.7 million. Additionally, in an independent test involving 1,788 images from four villages, Origin-Tea exhibited excellent generalization with an OA of 0.97, underscoring its potential as a scalable solution for intelligent tea provenance verification and precision phenotyping.
Introduction
The introduction of this research paper highlights the significance of tea as a globally consumed beverage, emphasizing its rich polyphenolic content and antioxidant properties. The paper discusses current methods for tea origin authentication, which include multispectral technologies, blockchain integration, and physicochemical testing. Notable advancements in the field are presented, such as the development of classification models using near-infrared spectroscopy (NIR) and machine learning techniques, which have demonstrated high accuracy in distinguishing tea origins. However, these methods face limitations, including high costs and complexity, which hinder their practical application in large-scale settings.
To address these challenges, the study introduces Origin-Tea, a lightweight convolutional neural network designed for tea origin recognition based on RGB phenotypic images. This model incorporates depthwise separable convolutions and squeeze-and-excitation attention mechanisms to enhance feature extraction while maintaining computational efficiency. A diverse dataset of Yunkang 10 tea leaf images from various regions in Yunnan Province serves as the foundation for this research. The paper outlines the contributions of Origin-Tea, including its innovative architecture, a comprehensive ablation study, and the development of a publicly available dataset to facilitate future research in agricultural traceability and smart agriculture.
Methods
In this section, the authors describe the experimental design and conditions for an ablation study aimed at optimizing the architecture of the Origin-Tea model. The study focuses on two primary components: the shallow feature extraction modules (S1 and S2) and the number of Block layers in the backbone network, which were varied from 0 to 9. By systematically removing the S1 and S2 modules, the researchers assessed their impact on classification performance, particularly regarding low-level feature extraction. Additionally, the depth of the model was manipulated to evaluate how varying the number of Block layers influences the model’s ability to capture higher-level semantic features essential for distinguishing tea origins. A 10-fold cross-validation (CV) strategy was employed to ensure the robustness of the results, with performance metrics averaged across folds and standard deviations reported for stability assessment.
The experimental conditions were meticulously controlled to enhance reproducibility, utilizing a consistent hardware and software environment. The setup included high-performance GPUs (NVIDIA GeForce RTX 4090 and RTX 4090D) and a powerful CPU (Intel Xeon Silver 4214R), facilitating efficient multi-GPU parallel training. The experiments were conducted using PyTorch 2.2.1, with Python 3.9.7, and key libraries such as NumPy and Pandas for data processing. The AdamW optimizer was employed with a weight decay of 0.0001 to mitigate overfitting, while a batch size of 30 was selected to balance computational efficiency and gradient stability. Sensitivity analyses were performed by varying training epochs (100, 200, and 300) and learning rates (0.01 and 0.001) to evaluate the model’s robustness under different training conditions.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It highlights the significant outcomes that support the hypotheses or research questions posed earlier in the study. The results are typically illustrated through various forms of data representation, such as tables, graphs, or charts, which provide a visual summary of the findings.
The section may also include statistical analyses, indicating the reliability and significance of the results. For instance, p-values or confidence intervals may be reported to demonstrate the robustness of the findings. Overall, this section serves to convey the essential discoveries of the research, laying the groundwork for subsequent discussions and interpretations in later sections of the paper.
Discussion
The discussion section of the research paper highlights the findings from a parameter sensitivity analysis and the impact of architectural configurations on the performance of the proposed Origin-Tea model for tea origin identification. The analysis revealed that the MobileNetV3-Small architecture achieved optimal performance with a training configuration of 100 epochs and a learning rate of 0.001, resulting in an overall accuracy (OA) of 0.82 and a Kappa coefficient of 0.79. Increasing the learning rate to 0.01 or extending the training epochs led to decreased accuracy and stability, indicating the importance of careful hyperparameter tuning for model convergence and generalization.
Further evaluations on the effect of Block depth demonstrated that the shallowest configurations (B0) consistently outperformed deeper variants across multiple metrics, including OA, average accuracy (AA), and Matthews correlation coefficient (MCC). Specifically, the Origin-Tea-S01-B0 configuration achieved the highest OA of 0.92, underscoring the model’s efficiency with only 1.7 million parameters. The findings emphasize that while deeper architectures may enhance feature extraction, they can also introduce redundancy and overfitting, particularly in agricultural applications where model efficiency is crucial. Overall, the Origin-Tea model not only outperformed various baseline models but also demonstrated strong generalization capabilities under domain shifts, making it a practical solution for real-world tea origin verification using readily available RGB imaging technology.