DOI: https://doi.org/10.3389/fams.2023.1320177
تاريخ النشر: 2024-01-03
المؤلف: Mohannad Alkanan وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تبحث هذه الدراسة في تطبيق الذكاء الاصطناعي (AI) في تصنيف أمراض الذرة، باستخدام نسخة محسّنة من MobileNetV2 كنموذج أساسي. تستخدم الدراسة مجموعة بيانات شاملة تحتوي على صور مصنفة إلى أربع فئات من الأمراض: مكسورة، مشوهة، مقطوعة الحرير، ونقية. يتضمن النموذج طبقات إضافية—تجميع متوسط، تسطيح، كثافة، إسقاط، وsoftmax—لتحسين استخراج الميزات وقدرات التصنيف. يتم تطبيق تقنيات ضبط النموذج المختلفة، بما في ذلك زيادة البيانات، ومعدلات التعلم التكيفية، وتسجيل نقاط النموذج، والتعلم الانتقالي، لتعزيز الأداء. يحقق النموذج المقترح دقة مثيرة للإعجاب تبلغ 96.27%، مع مقاييس تقييم مثل الدقة، والاسترجاع، وF1-score تشير إلى فعاليته في التمييز بين فئات الأمراض.
تظهر التحليلات المقارنة أن النموذج المقترح يتفوق على النماذج المتقدمة (SOTA) في الدقة، والاسترجاع، وF1-score، والدقة العامة، مما يؤكد تفوق MobileNetV2 في هذا السياق. على الرغم من أدائه القوي، تحدد الدراسة التحديات المتعلقة بالتصنيفات الخاطئة بين الفئات المتشابهة بصريًا، مما يقترح مجالات للتحسين في المستقبل. تؤكد النتائج على إمكانيات الحلول المدفوعة بالذكاء الاصطناعي في الزراعة الدقيقة، داعية إلى مزيد من الاستكشاف للتقنيات المتقدمة ومجموعات البيانات المتنوعة لتحسين النموذج وتعزيز قابليته للتطبيق في إدارة المحاصيل.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الأهمية الحاسمة لتقييم جودة المنتجات الزراعية، لا سيما في سياق الزراعة الدقيقة، التي تستخدم تقنيات متقدمة مثل الاستشعار عن بعد وتحليلات البيانات لتعزيز تقييمات الجودة. هذه التقييمات ضرورية لمكافحة الآفات والأمراض، وإدارة تخزين الحبوب، وتقليل هدر الطعام، مما يسهم في الكفاءة الاقتصادية والاستدامة البيئية. تركز الورقة بشكل خاص على الذرة (Zea mays)، وهي محصول أساسي له إنتاج عالمي كبير، وتتناول التحديات التي تطرحها مسببات الأمراض مثل أنواع *Fusarium* التي تؤثر سلبًا على جودة البذور وصحة المحاصيل.
لمعالجة قيود الطرق التقليدية التي تتطلب جهدًا كبيرًا في تقييم جودة البذور، تقترح الدراسة نهجًا جديدًا يستخدم التعلم العميق، وخاصة بنية MobileNetV2 المعدلة. يهدف هذا النموذج إلى تحسين تحديد الأمراض في بذور الذرة من خلال دمج تقنيات متقدمة مثل زيادة البيانات وضبط النموذج الاستراتيجي لتعزيز الدقة والصلابة. تؤكد الدراسة على أداء النموذج من خلال مقاييس شاملة وتقارنه مع النماذج المتقدمة، مما يوضح فعاليته في تصنيف أمراض الذرة بدقة وإمكاناته في إحداث ثورة في إدارة الأمراض في الزراعة الدقيقة.
طرق
تستخدم الدراسة مجموعة بيانات بذور الذرة المتاحة للجمهور، والتي تتكون من 17,801 صورة مصنفة إلى أربع فئات: نقية، مكسورة، مشوهة، ومقطوعة الحرير. يتم تصنيف حوالي 40.8% من البذور على أنها صحية، بينما 59.2% مصابة، مع 32% مكسورة، و17.4% مشوهة، و9.8% مقطوعة الحرير. تعتبر هذه المجموعة من البيانات حاسمة لتقدم تحديد أمراض الذرة، حيث تعكس الظروف الواقعية وتدعم تطوير نماذج التعلم العميق للتصنيف الدقيق. تتكون مجموعة التدريب من 6,972 صورة لبذور نقية، و5,489 بذور مكسورة، و2,748 بذور مشوهة، و1,569 بذور مقطوعة الحرير، مما يبرز عدم التوازن الفئوي الذي يتم معالجته من خلال تقنيات زيادة البيانات.
تم إجراء الإعداد التجريبي باستخدام Python (الإصدار 3.8)، OpenCV (الإصدار 4.7)، وKeras (الإصدار 2.8) على نظام تشغيل Windows 10 Pro، مع تكوين نظام يتضمن معالج Intel i5، بطاقة رسومات Nvidia RTX 2060، وذاكرة RAM سعة 16 جيجابايت. تضمنت مقاييس تقييم الأداء الدقة، والدقة، والاسترجاع، وF1-score، والتي تم حسابها باستخدام المعادلات التالية:
– الدقة: \( \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} \)
– الاسترجاع: \( \text{Recall} = \frac{TP}{TP + FN} \)
– الدقة: \( \text{Precision} = \frac{TP}{TP + FP} \)
– F1-Score: \( \text{F1-Score} = \frac{2 \times \text{Recall} \times \text{Precision}}{\text{Recall} + \text{Precision}} \)
توفر هذه المقاييس تقييمًا شاملاً لفعالية النموذج في تصنيف أمراض بذور الذرة.
النتائج
تظهر نتائج النموذج المقترح، وهو نسخة محسّنة من MobileNetV2، أداءً استثنائيًا في تصنيف أمراض الذرة، محققة معدلات دقة عالية من خلال تحسينات معمارية وتقنيات ضبط النموذج. أظهر النموذج، المدرب على بيانات معززة ويستخدم التعلم الانتقالي، زيادة كبيرة في الدقة من 30% في بداية التدريب إلى حوالي 96% بحلول الدورة 35، مع دقة التحقق التي تعكس هذا الاتجاه عن كثب. تشير غياب التذبذب في منحنيات دقة التدريب والتحقق إلى تعميم فعال وغياب الإفراط في التكيف، والذي يُعزى إلى استراتيجيات مثل زيادة البيانات، ومعدلات التعلم التكيفية، وتقنيات الإسقاط.
تكشف تحليل مصفوفة الارتباك عن معدلات إيجابية حقيقية عالية لأربع فئات من الأمراض—مكسورة (96.3%)، مشوهة (95.9%)، مقطوعة الحرير (96.7%)، ونقية (96.2%)—على الرغم من ملاحظة بعض التصنيفات الخاطئة، لا سيما بين الفئات المتشابهة بصريًا. على سبيل المثال، تم تصنيف 1.2% من حالات المكسورة بشكل خاطئ على أنها مشوهة، و2.9% من حالات مقطوعة الحرير تم تصنيفها بشكل خاطئ على أنها مكسورة. تؤكد مقاييس التقييم، بما في ذلك الدقة، والاسترجاع، وF1-score، والدقة العامة، على فعالية النموذج، مع قيم دقة تتراوح من 0.949 إلى 0.975 وقيم استرجاع تتراوح من 0.957 إلى 0.963 عبر الفئات. تسلط هذه النتائج الضوء على متانة النموذج وإمكاناته لمزيد من التحسين لتعزيز قدراته التمييزية في السيناريوهات البصرية الصعبة.
مناقشة
في قسم المناقشة من الورقة البحثية، يبرز المؤلفون فعالية هياكل الشبكات العصبية التلافيفية (CNN) المختلفة في معالجة الصور، مع التركيز بشكل خاص على تطبيقاتها في تصنيف أمراض الذرة. من بين النماذج التي تم تقييمها، يبرز MobileNetV2 بسبب هيكله الفعال، محققًا أعلى مقاييس أداء على مجموعة بيانات الذرة بدقة تبلغ 0.74، واسترجاع 0.76، وF1-score يبلغ 0.74. يسمح تصميم النموذج، الذي يتميز بهيكل عكسي وخرز خطي، بتقليل المتطلبات الحاسوبية، مما يجعله مناسبًا للبيئات ذات الموارد المحدودة. اختار المؤلفون MobileNetV2 كنموذج أساسي لمزيد من التحسينات، والتي شملت إضافة طبقات مثل تجميع متوسط، تسطيح، كثافة، إسقاط، وsoftmax لتحسين دقة التصنيف.
حقق النموذج المقترح، الذي يتضمن هذه التحسينات وتقنيات الضبط المختلفة مثل زيادة البيانات، ومعدلات التعلم التكيفية، والتعلم الانتقالي، دقة مثيرة للإعجاب تبلغ 96.27%. أظهرت التحليلات المقارنة مع النماذج المتقدمة أن النموذج المقترح تفوق على الآخرين في الدقة، والاسترجاع، وF1-score، والدقة العامة، مما يثبت متانته في تصنيف أمراض الذرة. كما أجرى المؤلفون تحليل رسم الميزات لتصور عملية تعلم النموذج، مما يظهر قدرته على التقاط الميزات المعقدة لصور الذرة. على الرغم من أدائه القوي، يعترف المؤلفون بالقيود المتعلقة بالتصنيفات الخاطئة بين الفئات المتشابهة بصريًا، مما يقترح فرصًا لمزيد من التحسين واستكشاف مجموعات بيانات إضافية لتعزيز متانة النموذج.
DOI: https://doi.org/10.3389/fams.2023.1320177
Publication Date: 2024-01-03
Author(s): Mohannad Alkanan et al.
Primary Topic: Smart Agriculture and AI
Overview
This research investigates the application of artificial intelligence (AI) in the classification of corn diseases, utilizing an enhanced version of MobileNetV2 as the foundational model. The study employs a comprehensive dataset containing images categorized into four disease classes: Broken, Discolored, Silk cut, and Pure. The model incorporates additional layers—Average Pooling, Flatten, Dense, Dropout, and softmax—to improve feature extraction and classification capabilities. Various model tuning techniques, including data augmentation, adaptive learning rates, model checkpointing, and transfer learning, are applied to enhance performance. The proposed model achieves an impressive accuracy of 96.27%, with evaluation metrics such as precision, recall, and F1-score indicating its effectiveness in distinguishing between the disease classes.
Comparative analysis reveals that the proposed model outperforms state-of-the-art (SOTA) models in precision, recall, F1-score, and overall accuracy, affirming the superiority of MobileNetV2 in this context. Despite its robust performance, the study identifies challenges related to misclassifications among visually similar classes, suggesting areas for future improvement. The findings underscore the potential of AI-driven solutions in precision agriculture, advocating for further exploration of advanced techniques and diverse datasets to refine the model and enhance its applicability in crop management.
Introduction
The introduction of this research paper highlights the critical importance of evaluating the quality of agricultural products, particularly in the context of precision agriculture, which employs advanced technologies such as remote sensing and data analytics to enhance quality assessments. These evaluations are essential for pest and disease control, grain storage management, and minimizing food waste, thereby contributing to economic efficiency and environmental sustainability. The paper specifically focuses on corn (Zea mays), a staple crop with significant global production, and addresses the challenges posed by pathogens like *Fusarium* species that negatively impact seed quality and crop health.
To address the limitations of traditional, labor-intensive methods for assessing seed quality, the study proposes a novel approach utilizing deep learning, particularly a modified MobileNetV2 architecture. This model aims to improve disease identification in corn seeds by incorporating advanced techniques such as data augmentation and strategic model tuning to enhance accuracy and robustness. The research emphasizes the model’s performance through comprehensive metrics and compares it against state-of-the-art models, demonstrating its effectiveness in accurately classifying corn diseases and its potential to revolutionize disease management in precision agriculture.
Methods
The study utilizes the publicly available Corn Seeds Dataset, which consists of 17,801 images categorized into four classes: pure, broken, discolored, and silkcut. Approximately 40.8% of the seeds are classified as healthy, while 59.2% are diseased, with 32% broken, 17.4% discolored, and 9.8% silkcut. This dataset is crucial for advancing corn disease identification, as it reflects real-world conditions and supports the development of deep learning models for accurate classification. The training set comprises 6,972 images of pure seeds, 5,489 broken seeds, 2,748 discolored seeds, and 1,569 silkcut seeds, highlighting an inherent class imbalance that is addressed through data augmentation techniques.
The experimental setup was conducted using Python (v. 3.8), OpenCV (v. 4.7), and Keras (v. 2.8) on a Windows 10 Pro OS, with a system configuration featuring an Intel i5 processor, Nvidia RTX 2060 GPU, and 16 GB RAM. Performance evaluation metrics included accuracy, precision, recall, and F1-score, which were computed using the following equations:
– Accuracy: \( \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} \)
– Recall: \( \text{Recall} = \frac{TP}{TP + FN} \)
– Precision: \( \text{Precision} = \frac{TP}{TP + FP} \)
– F1-Score: \( \text{F1-Score} = \frac{2 \times \text{Recall} \times \text{Precision}}{\text{Recall} + \text{Precision}} \)
These metrics provide a comprehensive assessment of the model’s effectiveness in categorizing corn seed diseases.
Results
The results of the proposed model, an enhanced version of MobileNetV2, demonstrate exceptional performance in classifying corn diseases, achieving high accuracy rates through architectural improvements and model tuning techniques. The model, trained on augmented data and utilizing transfer learning, exhibited a significant increase in accuracy from 30% at the start of training to approximately 96% by the 35th iteration, with validation accuracy closely mirroring this trend. The absence of oscillation in both training and validation accuracy curves indicates effective generalization and a lack of overfitting, attributed to strategies such as data augmentation, adaptive learning rates, and dropout techniques.
The confusion matrix analysis reveals high true positive rates for the four disease classes—Broken (96.3%), Discolored (95.9%), Silk cut (96.7%), and Pure (96.2%)—though some misclassifications were noted, particularly between visually similar classes. For instance, 1.2% of Broken instances were misclassified as Discolored, and 2.9% of Silk cut instances were misclassified as Broken. Evaluation metrics, including precision, recall, F1-score, and overall accuracy, further underscore the model’s effectiveness, with precision values ranging from 0.949 to 0.975 and recall values from 0.957 to 0.963 across the classes. These findings highlight the model’s robustness and potential for further refinement to enhance its discriminatory capabilities in challenging visual scenarios.
Discussion
In the discussion section of the research paper, the authors highlight the efficacy of various Convolutional Neural Network (CNN) architectures in image processing, particularly focusing on their application in classifying corn diseases. Among the evaluated models, MobileNetV2 stands out due to its efficient architecture, achieving the highest performance metrics on the Corn dataset with a precision of 0.74, recall of 0.76, and an F1-score of 0.74. The model’s design, characterized by an inverse residual structure and linear bottleneck, allows for reduced computational demands, making it suitable for resource-constrained environments. The authors selected MobileNetV2 as the foundational model for further enhancements, which included the addition of layers such as Average Pooling, Flatten, Dense, Dropout, and softmax to improve classification accuracy.
The proposed model, which incorporates these enhancements and various tuning techniques like data augmentation, adaptive learning rates, and transfer learning, achieved an impressive accuracy of 96.27%. Comparative analyses with state-of-the-art models revealed that the proposed model outperformed others in precision, recall, F1-score, and overall accuracy, establishing its robustness in corn disease classification. The authors also conducted feature mapping analysis to visualize the model’s learning process, demonstrating its capability to capture intricate features of corn images. Despite its strong performance, the authors acknowledge limitations related to misclassifications among visually similar classes, suggesting opportunities for future refinement and exploration of additional datasets to enhance model robustness.