DOI: https://doi.org/10.1038/s41598-026-35747-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41634089
تاريخ النشر: 2026-02-03
المؤلف: Dina Saif وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث Enhanced YOLO12، وهو هيكل جديد للتعلم العميق مصمم للكشف في الوقت الحقيقي عن حشرات القطن، معالجًا القيود التي تواجه طرق المراقبة التقليدية التي تتطلب جهدًا كبيرًا وتضر بالبيئة. يعتمد Enhanced YOLO12 على إطار YOLO12 من خلال دمج وحدة تجميع هرمية مكانية (SPP) محسّنة واستخراج ميزات قائم على الانتباه، مما يؤدي إلى تحسين دقة الكشف وكفاءة الحساب. تشير النتائج التجريبية إلى أن Enhanced Hybrid YOLO12 تفوقت على نماذج YOLO القياسية، محققة دقة واسترجاع ومتوسط دقة متوسط عند 50 (mAP50) ومتوسط دقة متوسط من 50 إلى 95 (mAP50-95) درجات 0.942 و0.876 و0.945 و0.735، على التوالي، مقارنةً بدرجات YOLO12 القياسية التي كانت 0.925 و0.848 و0.913 و0.662.
تخلص الدراسة إلى أن Enhanced Hybrid YOLO12 يمثل تقدمًا كبيرًا في الزراعة الدقيقة، حيث يقدم حلاً موثوقًا وقابلًا للتوسع لإدارة الآفات على الرغم من وقت الاستدلال الأطول قليلاً مقارنةً بـ YOLO12 القياسي. بينما يظهر النموذج أداءً قويًا، قد تكون قابليته للتطبيق مقيدة باعتماده على أجهزة ذات أداء عالٍ ومجموعة البيانات المحددة المستخدمة للتقييم. ستركز الأعمال المستقبلية على تحسين النموذج للنشر على أجهزة الحافة ذات الطاقة المنخفضة، وتوسيع مجموعة البيانات لتشمل مجموعة متنوعة من أنواع الحشرات، ودمج التصوير متعدد الطيف لتعزيز قدرات الكشف في ظروف بيئية متنوعة.
نقاش
في قسم النقاش، يبرز المؤلفون فجوة ملحوظة في الأدبيات المتعلقة بتطبيقات التعلم العميق (DL) للكشف عن حشرات القطن، على الرغم من وفرة النماذج للكشف عن أمراض النباتات. نظرًا للأهمية الاقتصادية للقطن، يؤكد المؤلفون على ضرورة وجود نماذج كشف متخصصة مصممة لهذه المحاصيل. يقدمون مراجعة شاملة للدراسات الحالية حول أمراض النباتات وكشف الحشرات باستخدام DL، مشيرين إلى منهجيات مختلفة وقيودها. على سبيل المثال، بينما أظهرت عدة نماذج، مثل EfficientNetB4 وYOLOv5، دقة عالية في الكشف عن الأمراض في نباتات القطن، لا يزال هناك حاجة إلى مجموعات بيانات أوسع تشمل ظروف بيئية متنوعة وتنوعات الآفات.
كما يناقش المؤلفون التقدم في تقنيات DL، بما في ذلك إدخال الهياكل الهجينة وآليات الانتباه التي تعزز دقة وكفاءة الكشف. يستشهدون بنماذج محددة، مثل وحدة الانتباه الكتلي المحسّنة (CBAM) وEnhanced Hybrid YOLO12 المقترحة، التي تهدف إلى تحسين استخراج الميزات وقدرات الكشف متعددة المقاييس. ومع ذلك، يحذرون من أن العديد من النماذج الحالية مقيدة بمجموعات بيانات محدودة وقد تواجه صعوبة في التعميم في البيئات الزراعية الواقعية، مما يبرز أهمية تطوير أطر DL أكثر قوة وقابلية للتكيف لإدارة فعالة للآفات في زراعة القطن.
DOI: https://doi.org/10.1038/s41598-026-35747-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41634089
Publication Date: 2026-02-03
Author(s): Dina Saif et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents Enhanced YOLO12, a novel deep learning architecture designed for real-time detection of cotton insects, addressing the limitations of traditional monitoring methods that are labor-intensive and environmentally harmful. Enhanced YOLO12 builds upon the YOLO12 framework by incorporating an optimized Spatial Pyramid Pooling (SPP) module and attention-based feature extraction, leading to improved detection accuracy and computational efficiency. Experimental results indicate that Enhanced Hybrid YOLO12 outperformed standard YOLO models, achieving precision, recall, mean Average Precision at 50 (mAP50), and mean Average Precision from 50 to 95 (mAP50-95) scores of 0.942, 0.876, 0.945, and 0.735, respectively, compared to the standard YOLO12’s scores of 0.925, 0.848, 0.913, and 0.662.
The study concludes that Enhanced Hybrid YOLO12 represents a significant advancement in precision agriculture, offering a reliable and scalable solution for pest management despite a slightly longer inference time than standard YOLO12. While the model demonstrates strong performance, its applicability may be constrained by its dependency on high-performance hardware and the specific dataset used for evaluation. Future work will focus on optimizing the model for deployment on low-power edge devices, expanding the dataset to encompass a wider variety of insect species, and integrating multispectral imaging to enhance detection capabilities in diverse environmental conditions.
Discussion
In the discussion section, the authors highlight a notable gap in the literature regarding deep learning (DL) applications for detecting cotton insects, despite the abundance of models for plant disease detection. Given the economic significance of cotton, the authors emphasize the necessity for specialized detection models tailored to this crop. They provide a comprehensive review of existing studies on plant diseases and insect detection using DL, noting various methodologies and their limitations. For instance, while several models, such as the EfficientNetB4 and YOLOv5, have demonstrated high accuracy in detecting diseases in cotton plants, there remains a need for broader datasets that encompass diverse environmental conditions and pest variations.
The authors also discuss advancements in DL techniques, including the introduction of hybrid architectures and attention mechanisms that enhance detection accuracy and efficiency. They cite specific models, such as the Enhanced Convolutional Block Attention Module (CBAM) and the proposed Enhanced Hybrid YOLO12, which aim to improve feature extraction and multi-scale detection capabilities. However, they caution that many existing models are constrained by limited datasets and may struggle with generalization in real-world agricultural settings, underscoring the importance of developing more robust and adaptable DL frameworks for effective pest management in cotton cultivation.