DOI: https://doi.org/10.1038/s41598-026-38078-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41720842
تاريخ النشر: 2026-02-20
المؤلف: Amr Ismail وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تسلط الأبحاث الضوء على الدور الحاسم للتعرف الدقيق على أمراض النباتات في الزراعة والأمن الغذائي، مع التأكيد على قيود الطرق التقليدية التي تعتمد على الفحص البصري والمعرفة الخبيرة. لمعالجة هذه التحديات، تستخدم الدراسة DenseNet121، وهي بنية شبكة عصبية تلافيفية (CNN) متطورة، لتصنيف سبع أمراض شائعة في الأرز. من خلال استخدام التعلم الانتقالي مع أوزان ImageNet المدربة مسبقًا وتحسين النموذج باستخدام مُحسن آدم، تحقق الدراسة دقة إجمالية مثيرة للإعجاب تبلغ 97.9%، مع دقة تصنيف فردية للأمراض تتراوح من 94% إلى 99.67%. كما يظهر النموذج أداءً متوازنًا عبر مقاييس مختلفة، بما في ذلك الدقة (96.2%)، الاسترجاع (97.97%)، ودرجة F1 (97%)، مما يثبت أن DenseNet121 أداة قوية لتشخيص أمراض الأرز بشكل آلي.
تؤكد الخاتمة على إمكانية استخدام DenseNet121 في تحسين إدارة الأمراض في الزراعة مع الاعتراف بالحاجة إلى مزيد من البحث لمعالجة التحديات مثل تنوع البيانات، وقابلية تفسير النموذج، والاعتبارات الأخلاقية. تشمل الاتجاهات المستقبلية دمج النموذج مع تقنيات مثل التطبيقات المحمولة والطائرات بدون طيار للمراقبة في الوقت الحقيقي، مما قد يفيد المزارعين بشكل كبير. ومع ذلك، يجب أن يأخذ هذا الدمج في الاعتبار قيود الموارد الحاسوبية، خاصة في البيئات ذات الموارد المحدودة. كما تدعو الدراسة إلى التعاون بين التخصصات في مجالات التعلم الآلي، والزراعة، وعلم أمراض النباتات لتطوير حلول فعالة، مع معالجة القيود مثل تباين جودة الصور والحاجة إلى نهج تشخيص متعددة الوسائط لتحسين قوة النموذج وفائدته العملية.
طرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة لتعزيز اكتشاف أمراض النباتات باستخدام نموذج DenseNet121. تهدف الدراسة إلى تحسين كل من الدقة والكفاءة في تصنيف الأمراض، وهو أمر حيوي للإنتاجية الزراعية والاستدامة. تشمل المنهجية عدة مكونات رئيسية: جمع البيانات، المعالجة المسبقة، تطوير النموذج، إجراءات التدريب، مقاييس التقييم، والإعدادات التجريبية. يبرز المؤلفون فعالية الشبكات العصبية التلافيفية (CNNs) والاهتمام المتزايد في المحولات البصرية، مع التأكيد على ضرورة وجود مجموعات بيانات متنوعة والتحقق من صحة العالم الحقيقي في مهام التصنيف، والاكتشاف، والتجزئة.
لتقييم أداء نموذج DenseNet121، استخدم المؤلفون مقاييس متعددة، بما في ذلك الحساسية (الاسترجاع)، النوعية، الدقة، والدقة. تُعرف الحساسية على أنها نسبة الإيجابيات الحقيقية (TP) إلى مجموع الإيجابيات الحقيقية والسلبيات الكاذبة (FN)، ويتم حسابها باستخدام الصيغة:
\[
\text{Sensitivity (Recall)} = \frac{TP}{TP + FN}
\]
تُقيم النوعية كنسبة السلبيات الحقيقية (TN) إلى مجموع السلبيات الحقيقية والإيجابيات الكاذبة (FP):
\[
\text{Specificity} = \frac{TN}{TN + FP}
\]
تُحدد الدقة باستخدام الصيغة:
\[
\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}
\]
أخيرًا، تُحسب الدقة، التي تقيس دقة التنبؤات الإيجابية، كالتالي:
\[
\text{Precision} = \frac{TP}{TP + FP}
\]
تم تقييم هذه المقاييس كل 20 تكرارًا خلال فترة التقييم، مما يوفر فهمًا شاملاً لكفاءة تصنيف النموذج.
النتائج
تشير النتائج إلى أن أداء نموذج DenseNet121 يمكن تحسينه بشكل كبير من خلال اختيار معلمات فرعية استراتيجية، بما في ذلك حجم دفعة يبلغ 32، ومعدل تعلم صغير قدره 0.00001، والتدريب لمدة 50 دورة. تضمنت التجارب التي أجريت لتصنيف أمراض النباتات إعداد مجموعة بيانات بدقة، واختيار بنية النموذج، ومقاييس التقييم، مما أدى إلى نتائج قوية تعزز التكنولوجيا الزراعية وعلم أمراض النباتات. حقق النموذج دقة متوسطة مثيرة للإعجاب تبلغ 97.9%، كما هو موضح في الجدول 5، مع مصفوفة ارتباك توضح دقة تصنيف عالية عبر معظم فئات الأمراض، وخاصة للأمراض البكتيرية.
كشفت تحليل مصفوفة الارتباك أن جميع أنواع الأمراض، باستثناء مرض البقع البنية، تم اكتشافها بحساسية ونوعية عالية، مما يبرز فعالية النموذج في التمييز بين مختلف أمراض الأرز. بشكل ملحوظ، يتم تلخيص مقاييس أداء النموذج، بما في ذلك الحساسية، النوعية، الدقة، درجة F، والدقة لكل نوع من الأمراض في الجدول 4. علاوة على ذلك، تُظهر تحليل مقارن في الجدول 6 أن النموذج المقترح يتفوق على الدراسات السابقة، التي تناولت عادة نطاقًا أضيق من أنواع الأمراض. يبرز هذا التقييم الشامل إمكانية إجراء مزيد من الأبحاث وتطبيق نموذج DenseNet121 في اكتشاف أمراض النباتات.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التأثير التحويلي للتعلم العميق، وخاصة من خلال بنية DenseNet121، على تصنيف واكتشاف أمراض النباتات. مع مواجهة الزراعة ضغوطًا متزايدة من تغير المناخ وطلب الغذاء، فإن القدرة على التعرف بدقة وتصنيف أمراض النباتات أمر حيوي لضمان الأمن الغذائي. لقد أظهرت DenseNet121، بفضل اتصالاتها الكثيفة الفريدة التي تعزز إعادة استخدام الميزات وتخفف من مشكلة التدرج المتلاشي، أداءً متفوقًا في تصنيف صور النباتات المريضة مقارنة بالشبكات العصبية التلافيفية التقليدية (CNNs). تؤكد الدراسة على أهمية تنوع البيانات واستخدام التعلم الانتقالي لتعزيز قوة النموذج، خاصة في التطبيقات الزراعية الواقعية حيث يمكن أن تؤثر التغيرات في الظروف البيئية على أداء النموذج.
علاوة على ذلك، تشير النتائج إلى أن DenseNet121 يمكن أن تعالج بفعالية مهام التصنيف المعقدة، مثل التمييز بين الأمراض المتشابهة بصريًا والأضرار الناتجة عن الآفات، وهو أمر حيوي لاتخاذ قرارات إدارة زراعية مستنيرة. تؤكد الأبحاث على أن التنفيذ الناجح لمثل هذه النماذج يعتمد ليس فقط على البنية ولكن أيضًا على جودة وتنوع مجموعات بيانات التدريب. يجب أن تركز الأعمال المستقبلية على توسيع هذه المجموعات واستكشاف نهج متعددة التخصصات لتحسين قابلية تطبيق وموثوقية نماذج التعلم العميق في الزراعة، مع إمكانية دمجها مع التقنيات المحمولة لمراقبة وإدارة الأمراض في الوقت الحقيقي.
DOI: https://doi.org/10.1038/s41598-026-38078-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41720842
Publication Date: 2026-02-20
Author(s): Amr Ismail et al.
Primary Topic: Smart Agriculture and AI
Overview
The research highlights the critical role of accurate plant disease identification in agriculture and food security, emphasizing the limitations of traditional methods that rely on visual inspection and expert knowledge. To address these challenges, the study employs DenseNet121, a sophisticated convolutional neural network (CNN) architecture, for the classification of seven common rice diseases. By utilizing transfer learning with pre-trained ImageNet weights and optimizing the model with the Adam optimizer, the study achieves an impressive overall accuracy of 97.9%, with individual disease classification accuracies ranging from 94% to 99.67%. The model also demonstrates balanced performance across various metrics, including precision (96.2%), recall (97.97%), and F1-score (97%), establishing DenseNet121 as a robust tool for automated rice disease diagnosis.
The conclusion emphasizes the potential of DenseNet121 in enhancing disease management in agriculture while acknowledging the need for further research to tackle challenges such as data diversity, model interpretability, and ethical considerations. Future directions include integrating the model with technologies like mobile applications and drones for real-time monitoring, which could significantly benefit farmers. However, this integration must consider computational resource constraints, particularly in resource-limited settings. The study also calls for interdisciplinary collaboration among machine learning, agronomy, and plant pathology to develop effective solutions, while addressing limitations such as image quality variations and the need for multi-modal diagnostic approaches to improve model robustness and practical utility.
Methods
In this section, the authors outline the methodology employed to enhance plant disease detection using the DenseNet121 model. The study aims to improve both the accuracy and efficiency of disease classification, which is vital for agricultural productivity and sustainability. The methodology encompasses several key components: data collection, preprocessing, model development, training procedures, evaluation metrics, and experimental settings. The authors highlight the effectiveness of convolutional neural networks (CNNs) and the growing interest in vision transformers, emphasizing the necessity for diverse datasets and real-world validation in classification, detection, and segmentation tasks.
To evaluate the performance of the DenseNet121 model, the authors utilized multiple metrics, including sensitivity (Recall), specificity, accuracy, and precision. Sensitivity, defined as the proportion of true positives (TP) to the sum of true positives and false negatives (FN), is calculated using the formula:
\[
\text{Sensitivity (Recall)} = \frac{TP}{TP + FN}
\]
Specificity is assessed as the ratio of true negatives (TN) to the sum of true negatives and false positives (FP):
\[
\text{Specificity} = \frac{TN}{TN + FP}
\]
Accuracy is determined by the formula:
\[
\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}
\]
Lastly, precision, which measures the accuracy of positive predictions, is calculated as:
\[
\text{Precision} = \frac{TP}{TP + FP}
\]
These metrics were evaluated every 20 iterations during the assessment period, providing a comprehensive understanding of the model’s classification efficiency.
Results
The results indicate that the performance of the DenseNet121 model can be significantly improved through strategic hyperparameter selection, including a batch size of 32, a small learning rate of 0.00001, and training for 50 epochs. The experiments conducted for plant disease classification involved meticulous dataset preparation, model architecture selection, and evaluation metrics, leading to robust outcomes that advance agricultural technology and plant pathology. The model achieved an impressive average accuracy of 97.9%, as detailed in Table 5, with a confusion matrix illustrating high classification accuracy across most disease categories, particularly for bacterial diseases.
The analysis of the confusion matrix revealed that all disease types, except for brown spot disease, were detected with high sensitivity and specificity, underscoring the model’s effectiveness in differentiating between various rice diseases. Notably, the model’s performance metrics, including sensitivity, specificity, precision, F-score, and accuracy for each disease type, are summarized in Table 4. Furthermore, a comparative analysis in Table 6 demonstrates that the proposed model outperforms previous studies, which have typically addressed a narrower spectrum of disease types. This comprehensive evaluation highlights the potential for further research and application of the DenseNet121 model in plant disease detection.
Discussion
The discussion section of the research paper highlights the transformative impact of deep learning, particularly through the DenseNet121 architecture, on plant disease classification and detection. As agriculture faces increasing pressures from climate change and food demand, the ability to accurately identify and classify plant diseases is crucial for ensuring food security. DenseNet121, with its unique dense connectivity that promotes feature reuse and mitigates the vanishing gradient problem, has shown superior performance in classifying images of diseased plants compared to traditional convolutional neural networks (CNNs). The study underscores the importance of data diversity and the use of transfer learning to enhance model robustness, especially in real-world agricultural applications where variability in environmental conditions can affect model performance.
Moreover, the findings indicate that DenseNet121 can effectively address complex classification tasks, such as distinguishing between visually similar diseases and pest-induced damage, which is vital for informed agricultural management decisions. The research emphasizes that successful implementation of such models relies not only on the architecture but also on the quality and diversity of the training datasets. Future work should focus on expanding these datasets and exploring interdisciplinary approaches to further improve the applicability and reliability of deep learning models in agriculture, potentially integrating them with mobile technologies for real-time disease monitoring and management.