DOI: https://doi.org/10.1186/s12870-025-06289-0
PMID: https://pubmed.ncbi.nlm.nih.gov/40033192
تاريخ النشر: 2025-03-04
المؤلف: Saravanan Srinivasan وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تهدف هذه الدراسة إلى تطوير نموذج موثوق للتعلم العميق (DL) للتشخيص الدقيق للأمراض التي تؤثر على قصب السكر، مع معالجة قيود طرق التشخيص اليدوية التقليدية. باستخدام EfficientNet وهياكل الشبكات العصبية التلافيفية الأخرى، تم تدريب واختبار النماذج على مجموعة بيانات أوراق قصب السكر (SLD)، التي تتكون من 6,748 صورة مصنفة إلى 11 فئة مرضية. تم تقييم النماذج بدقة باستخدام تقسيم 70%-15%-15% للتدريب والتحقق والاختبار و5-fold cross-validation، مما كشف أن EfficientNet-B7 وDenseNet201 حققتا أعلى دقة تصنيف بنسبة 99.79% و99.50%، على التوالي. ومن الجدير بالذكر أن التحليل أشار إلى عدم وجود علاقة مباشرة بين تعقيد النموذج والدقة، مما يشير إلى أن الأداء يتأثر بعوامل تتجاوز عمق الهيكل.
تؤكد النتائج على إمكانية نماذج DL في تعزيز اكتشاف الأمراض في قصب السكر، مما يوفر مزايا كبيرة على الطرق اليدوية من خلال تمكين اتخاذ قرارات في الوقت المناسب للمزارعين ومديري الزراعة. تبرز الدراسة فعالية النماذج المدربة مسبقًا، التي تستفيد من الميزات التي تم تعلمها سابقًا لتحسين كفاءة التدريب وقابلية التكيف. تشمل اتجاهات البحث المستقبلية تعميم النماذج على محاصيل أخرى، ودمج البيانات متعددة الأنماط لاتخاذ القرارات في الوقت الحقيقي، وتحسين قابلية تفسير النموذج وتقنيات التعلم الانتقالي. الهدف هو توسيع نطاق اكتشاف الأمراض إلى المناطق الزراعية المحرومة وتحسين أداء النموذج من خلال مجموعات بيانات متنوعة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم لقصب السكر في الزراعة العالمية، لا سيما في إنتاج السكر والإيثانول والوقود الحيوي، مما يدعم سبل عيش ملايين المزارعين في المناطق الاستوائية وشبه الاستوائية. على الرغم من أهميته، تواجه زراعة قصب السكر تحديات كبيرة، لا سيما من الأمراض المختلفة التي تصيب الأوراق والتي تسببها مسببات الأمراض مثل الفطريات والبكتيريا والفيروسات. تشمل هذه الأمراض، الصدأ، والتعفن الأحمر، وفيروس موزاييك قصب السكر، التي لا تقلل فقط من إنتاجية المحاصيل ولكن أيضًا تضر بجودة المنتج، مما يؤدي إلى خسائر اقتصادية كبيرة. ترتبط انتشار وشدة هذه الأمراض ارتباطًا وثيقًا بالظروف البيئية، لا سيما في مناطق مثل الهند والبرازيل والصين، حيث يتم زراعة قصب السكر على نطاق واسع.
تعتبر الطرق التقليدية لاكتشاف الأمراض، والتي تعتمد بشكل أساسي على الفحوصات البصرية، كثيفة العمالة وعرضة للتشخيص الخاطئ، مما يبرز الحاجة إلى تقنيات اكتشاف مبتكرة. لقد أحدثت التطورات الأخيرة في الذكاء الاصطناعي (AI) ورؤية الكمبيوتر ثورة في اكتشاف أمراض النباتات، لا سيما من خلال أساليب التعلم العميق (DL) مثل الشبكات العصبية التلافيفية (ConvNets). لقد أظهرت هذه النماذج، بما في ذلك هياكل مثل EfficientNet وDenseNet، دقة ملحوظة في تصنيف أمراض أوراق قصب السكر باستخدام صور عالية الدقة. تقدم الدراسة نظام DL تلقائي مصمم لتشخيص أمراض أوراق قصب السكر، محققًا دقة تصنيف عالية مع مجموعة بيانات تتكون من 6,748 صورة عبر 11 فئة مرضية. لا يعزز هذا النظام فقط سرعة ودقة اكتشاف الأمراض، بل يقلل أيضًا من الاعتماد على مدخلات الخبراء، مما يعزز الممارسات الزراعية المستدامة ويحسن إنتاجية المحاصيل. توضح الورقة هيكلها، موضحة الأعمال ذات الصلة، والمنهجيات، والنتائج التجريبية، واتجاهات البحث المستقبلية.
الطرق
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات تعرف باسم مجموعة بيانات أوراق قصب السكر (SLD)، التي تتكون من 6,748 صورة عالية الدقة مصنفة إلى 11 فئة متميزة من أمراض أوراق قصب السكر، بما في ذلك الكلوروز المخطط (BC)، والصدأ البني (BR)، والأوراق الصحية (HL). تعتبر مجموعة البيانات هذه موردًا حيويًا لتطوير نماذج التعلم الآلي (ML) والتعلم العميق (DL) التي تهدف إلى اكتشاف وتصنيف الأمراض التي تؤثر على محاصيل قصب السكر. تؤكد الدراسة على أهمية مجموعات بيانات الصور في تعزيز استراتيجيات إدارة الأمراض، مما يقلل من تلف المحاصيل وفقدان الإنتاج.
شملت المنهجية استخدام هياكل مختلفة من EfficientNet (من EfficientNet-b0 إلى EfficientNet-b7) وتنفيذ تقنيات تعزيز البيانات لتحسين قوة النموذج. تم تقسيم مجموعة البيانات إلى مجموعات تدريب، والتحقق، والاختبار، مع تطبيق التعلم الانتقالي للاستفادة من النماذج المدربة مسبقًا لتحسين الأداء. تم استخدام مقاييس التقييم مثل الدقة، والدقة، والاسترجاع، ودرجة F1 لتقييم فعالية النموذج في تصنيف الأوراق المريضة والصحية. أشارت النتائج إلى أداء عالٍ عبر جميع المقاييس، مما يشير إلى أن النموذج المطور موثوق ويمكن دمجه بفعالية في أنظمة إدارة الأمراض الزراعية.
المناقشة
تستعرض قسم المناقشة نماذج وتقنيات التعلم الآلي المختلفة لاكتشاف أمراض أوراق قصب السكر، مع تسليط الضوء على مقاييس أدائها ومنهجياتها. حقق ديباك بانيرجي وآخرون دقة عالية في تصنيف البيانات إلى خمس فئات، مع دقة تتراوح من 96.77% إلى 97.06%. طور كويمين سون وآخرون الشبكة الهجينة SE-VIT، التي تفوقت على الشبكات العصبية التقليدية بدقة اكتشاف بلغت 97.26%. أفادت دراسات أخرى، مثل تلك التي أجراها شيفانشي سينغ وآخرون وأثيراجا أثيرسواران وآخرون، بدقة بلغت 94.57% و99.12%، على التوالي، مما يظهر فعالية أساليب التعلم العميق (DL) في تشخيص الأمراض في الوقت الحقيقي.
تتميز الدراسة المقترحة بدقتها في تحديد 11 نوعًا متميزًا من الأمراض باستخدام إطار عمل مبني على EfficientNet-B7 وDenseNet201، مستفيدة من التعلم الانتقالي وتقنيات تقليم النموذج لتعزيز دقة التصنيف مع تقليل المتطلبات الحاسوبية. تسهل هذه الطريقة وصول المزارعين إلى تشخيص الأمراض دون الحاجة إلى معرفة الخبراء، مما يعزز إدارة الأمراض بشكل أفضل. يتناول القسم أيضًا مزايا التعلم الانتقالي، لا سيما في السيناريوهات ذات البيانات المحدودة، ويناقش أداء نماذج EfficientNet المختلفة، حيث حقق EfficientNet-B7 أعلى دقة بلغت 99.79%. بشكل عام، تؤكد النتائج على إمكانية تقنيات DL المتقدمة في تحسين الممارسات الزراعية وإدارة الأمراض في زراعة قصب السكر.
DOI: https://doi.org/10.1186/s12870-025-06289-0
PMID: https://pubmed.ncbi.nlm.nih.gov/40033192
Publication Date: 2025-03-04
Author(s): Saravanan Srinivasan et al.
Primary Topic: Smart Agriculture and AI
Overview
The research aims to develop a reliable deep learning (DL) model for the accurate diagnosis of diseases affecting sugarcane, addressing the limitations of traditional manual diagnostic methods. Utilizing EfficientNet and other convolutional neural network architectures, the study trained and tested models on the Sugarcane Leaf Dataset (SLD), which comprises 6,748 images categorized into 11 disease classes. The models were rigorously evaluated using a 70%-15%-15% training-validation-testing split and 5-fold cross-validation, revealing that EfficientNet-B7 and DenseNet201 achieved the highest classification accuracies of 99.79% and 99.50%, respectively. Notably, the analysis indicated no direct correlation between model complexity and accuracy, suggesting that performance is influenced by factors beyond architecture depth.
The findings underscore the potential of DL models to enhance disease detection in sugarcane, offering significant advantages over manual methods by enabling timely decision-making for farmers and agricultural managers. The study highlights the effectiveness of pre-trained models, which leverage previously learned features to improve training efficiency and adaptability. Future research directions include generalizing the models to other crops, integrating multi-modal data for real-time decision-making, and optimizing model interpretability and transfer learning techniques. The goal is to extend the reach of disease detection to underserved agricultural areas and improve model performance through diverse datasets.
Introduction
The introduction of this research paper highlights the critical role of sugarcane in global agriculture, particularly in the production of sugar, ethanol, and biofuels, which supports the livelihoods of millions of farmers in tropical and subtropical regions. Despite its significance, sugarcane cultivation faces substantial challenges, notably from various leaf diseases caused by pathogens such as fungi, bacteria, and viruses. These diseases, including Rust, Red Rot, and the Sugarcane mosaic virus, not only diminish crop yield but also compromise product quality, leading to significant economic losses. The prevalence and severity of these diseases are closely linked to environmental conditions, particularly in regions like India, Brazil, and China, where sugarcane is extensively cultivated.
Traditional methods of disease detection, primarily visual inspections, are labor-intensive and prone to misdiagnosis, underscoring the need for innovative detection techniques. Recent advancements in artificial intelligence (AI) and computer vision have revolutionized plant disease detection, particularly through deep learning (DL) approaches such as Convolutional Neural Networks (ConvNets). These models, including architectures like EfficientNet and DenseNet, have shown remarkable accuracy in classifying sugarcane leaf diseases using high-resolution imagery. The research presents an automatic DL system designed for diagnosing sugarcane leaf diseases, achieving high classification accuracy with a dataset of 6,748 images across 11 disease classes. This system not only enhances the speed and accuracy of disease detection but also reduces reliance on expert input, thereby promoting sustainable agricultural practices and improving crop productivity. The paper outlines its structure, detailing related work, methodologies, experimental results, and future research directions.
Methods
In this study, the authors utilized a dataset known as the Sugarcane Leaf Dataset (SLD), which comprises 6,748 high-resolution images categorized into 11 distinct classes of sugarcane leaf diseases, including Banded Chlorosis (BC), Brown Rust (BR), and Healthy Leaves (HL). The dataset serves as a critical resource for developing machine learning (ML) and deep learning (DL) models aimed at detecting and classifying diseases affecting sugarcane crops. The research emphasizes the importance of image datasets in enhancing disease management strategies, thereby mitigating crop damage and yield loss.
The methodology involved employing various EfficientNet architectures (from EfficientNet-b0 to EfficientNet-b7) and implementing data augmentation techniques to enhance model robustness. The dataset was partitioned into training, validation, and testing subsets, with transfer learning applied to leverage pre-trained models for improved performance. Evaluation metrics such as accuracy, precision, recall, and the F1 score were utilized to assess model effectiveness in classifying diseased and healthy leaves. The results indicated high performance across all metrics, suggesting that the developed model is reliable and could be effectively integrated into agricultural disease management systems.
Discussion
The discussion section reviews various machine learning models and techniques for detecting sugarcane leaf diseases, highlighting their performance metrics and methodologies. Deepak Banerjee et al. achieved high accuracy in classifying data into five categories, with precision ranging from 96.77% to 97.06%. Cuimin Sun et al. developed the SE-VIT hybrid network, which outperformed classical neural networks with a detection accuracy of 97.26%. Other studies, such as those by Shivanshi Singh et al. and Athiraja Atheeswaran et al., reported accuracies of 94.57% and 99.12%, respectively, showcasing the effectiveness of deep learning (DL) approaches in real-time disease diagnosis.
The proposed study distinguishes itself by accurately identifying 11 distinct disease types using a framework built on EfficientNet-B7 and DenseNet201, leveraging transfer learning and model pruning to enhance classification accuracy while minimizing computational demands. This approach facilitates easier access for farmers to diagnose diseases without requiring expert knowledge, thus promoting better disease management. The section further elaborates on the advantages of transfer learning, particularly in scenarios with limited data, and discusses the performance of various EfficientNet models, with EfficientNet-B7 achieving the highest accuracy of 99.79%. Overall, the findings underscore the potential of advanced DL techniques in improving agricultural practices and disease management in sugarcane farming.