DOI: https://doi.org/10.3389/fpls.2025.1499909
PMID: https://pubmed.ncbi.nlm.nih.gov/40385236
تاريخ النشر: 2025-05-02
المؤلف: G Sangar وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا لتحديد الأمراض الورقية في البطاطس، مع التأكيد على أهمية التشخيص في الوقت المناسب للحفاظ على المحاصيل الصحية. يقدم المؤلفون نموذجًا يجمع بين EfficientNet-LITE لاستخراج الميزات المتقدمة مع تحسين KE-SVM لتحسين دقة التصنيف. يعالج هذا النموذج التحديات التي تطرحها البيانات غير المتسقة في البيئات غير الخاضعة للرقابة، والتي تعيق غالبًا طرق تصنيف الصور التقليدية. يعزز EfficientNet-LITE من صلة الميزات من خلال انتباه القناة (CA) ونمط البت الثنائي المحلي 1-D (LBP)، مع الحفاظ على حجم نموذج مضغوط يبلغ 12.46 ميجابايت، و3.11 مليون معلمة، وعدد FLOP يبلغ 359.69 MFLOPs.
تظهر النتائج تحسينات كبيرة في دقة التصنيف بعد تنفيذ تحسين KE-SVM. في البداية، حقق مصنف SVM دقة 79.38% على البيانات غير الخاضعة للرقابة و99.07% على البيانات الخاضعة للرقابة. بعد التحسين، ارتفعت هذه الأرقام إلى 87.82% و99.54%، على التوالي. لا يحسن النموذج المعزز الدقة فحسب، بل يظهر أيضًا مزايا عملية للنشر في البيئات ذات الموارد المحدودة، مثل الأجهزة المحمولة. تختتم الدراسة بأن دمج EfficientNet-LITE وتحسين KE-SVM يعالج بفعالية التحديات المتعلقة بتصنيف الأمراض المبكر وقوة النموذج. تشمل اتجاهات البحث المستقبلية دمج مجموعات بيانات متنوعة وتقنيات الذكاء الاصطناعي التوليدية لتعزيز اتخاذ القرار في الزراعة الدقيقة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التأثير الاقتصادي الكبير لأمراض المحاصيل، لا سيما في سياق إنتاج البطاطس في الهند، والذي يعد حاسمًا للأمن الغذائي والاقتصاد الزراعي. تواجه البطاطس، المزروعة على حوالي 2 مليون هكتار، خسائر في المحاصيل تتراوح بين 5% إلى 15% بسبب الأمراض الورقية، مما يبرز الحاجة إلى استراتيجيات فعالة لإدارة الأمراض. تعتبر الطرق التقليدية لتشخيص الأمراض، التي تعتمد على الاستطلاع اليدوي في الحقول والتقييمات البصرية من قبل أخصائيين مدربين، غير فعالة وغالبًا ما تتأخر. لمواجهة هذه التحديات، تناقش الورقة تطور تقنيات الرؤية الحاسوبية والاعتماد المتزايد على نماذج التعلم العميق (DL)، لا سيما الشبكات العصبية التلافيفية (CNNs)، لتحديد الأمراض بسرعة ودقة.
تقدم الدراسة نموذج EfficientNet-LITE، المعزز بميزات انتباه القناة ونمط البت الثنائي المحلي 1-D (LBP)، لتحسين استخراج الميزات من الصور في البيئات غير الخاضعة للرقابة. يتضمن هذا النموذج عينات تم الكشف عن حوافها باستخدام Sobel لتعزيز معلومات الحواف، ويستخدم تحسين KE-SVM لتحسين دقة التصنيف من خلال معالجة العينات المصنفة بشكل خاطئ. تشير النتائج إلى أن هذا النهج المتكامل يحسن بشكل كبير من أداء تصنيف الأمراض، محققًا دقة عالية في كل من البيئات الخاضعة وغير الخاضعة للرقابة. تؤكد الورقة على إمكانية هذه المنهجية في إحداث ثورة في إدارة الأمراض الزراعية، مما يساعد المزارعين في تقليل خسائر المحاصيل واتخاذ قرارات مستنيرة. ستفصل الأقسام التالية من الورقة هيكل النموذج، والنتائج التجريبية، واتجاهات البحث المستقبلية.
طرق البحث
في هذه الدراسة، استخدم المؤلفون منهجية منهجية تبدأ بتعزيز الصور وكشف حواف Sobel لتحسين وتنويع مجموعة بيانات صور أوراق البطاطس. تعتبر هذه الخطوة المسبقة حاسمة لتحسين قوة النموذج. بعد ذلك، تم استخدام نموذج EfficientNet-LITE القائم على الانتباه لاستخراج الميزات، مما يتيح تحديد الخصائص الحرجة للأوراق التي تشير إلى أنواع مختلفة من الأمراض.
بعد ذلك، تم تحسين الميزات المستخرجة باستخدام آلة الدعم المدعومة بالنواة (KE-SVM) لتصنيف دقيق لأمراض أوراق البطاطس عبر ظروف بيئية مختلفة. تهدف هذه المجموعة من تقنيات معالجة الصور المتقدمة وخوارزميات التعلم الآلي إلى تحسين دقة تشخيص تحديد أمراض أوراق البطاطس، مما يساهم في تحسين ممارسات الإدارة الزراعية.
مناقشة
في هذا البحث، تم استخدام مجموعتين من البيانات للكشف عن أمراض أوراق البطاطس: واحدة من البيئات غير الخاضعة للرقابة في إندونيسيا، تضم 3,076 صورة مصنفة إلى سبعة أنواع من الأمراض، ومجموعة بيانات PlantVillage مع 2,152 صورة من البيئات الخاضعة للرقابة، مصنفة إلى ثلاث فئات. شملت المعالجة المسبقة تغيير حجم الصور إلى 224×224 بكسل باستخدام الاستيفاء الثنائي لتحسين أداء النموذج. تم تطبيق استراتيجية شاملة لزيادة البيانات، حيث تم توسيع مجموعة بيانات التدريب من 2,460 إلى 14,760 عينة من خلال تقنيات مثل التدوير، والتحويل، والقص، والتكبير، والانعكاس، وكشف حواف Sobel، مما عزز قدرة النموذج على التعميم عبر ظروف مختلفة.
قدمت الدراسة EfficientNet-LITE، وهو نموذج محسن لاستخراج الميزات يدمج آلية انتباه القناة ونمط البت الثنائي المحلي 1-D (LBP) لتحسين الأداء مع الحفاظ على الكفاءة الحاسوبية. أظهر النموذج دقة متفوقة على كلا مجموعتي البيانات بعد تطبيق تحسين SVM المدعوم بالنواة (KE-SVM)، محققًا دقة 87.82% على مجموعة البيانات غير الخاضعة للرقابة و99.54% على مجموعة البيانات الخاضعة للرقابة. تبرز هذه النتائج فعالية النموذج في مواجهة تحديات تنوع مجموعة البيانات وتصنيف الأمراض المبكر، مما يشير إلى إمكانية تحسينات مستقبلية من خلال دمج مجموعات بيانات متنوعة وتقنيات الذكاء الاصطناعي التوليدية لدعم اتخاذ القرار الزراعي.
DOI: https://doi.org/10.3389/fpls.2025.1499909
PMID: https://pubmed.ncbi.nlm.nih.gov/40385236
Publication Date: 2025-05-02
Author(s): G Sangar et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents a novel approach for the identification of foliar diseases in potatoes, emphasizing the importance of timely diagnosis for maintaining healthy yields. The authors introduce a model that combines EfficientNet-LITE for advanced feature extraction with KE-SVM Optimization for improved classification accuracy. This model addresses the challenges posed by inconsistent data in uncontrolled environments, which often hinder traditional image classification methods. EfficientNet-LITE enhances feature relevance through Channel Attention (CA) and 1-D Local Binary Pattern (LBP), while maintaining a compact model size of 12.46 MB, 3.11 million parameters, and a FLOP count of 359.69 MFLOPs.
The results demonstrate significant improvements in classification accuracy following the implementation of KE-SVM Optimization. Initially, the SVM classifier achieved 79.38% accuracy on uncontrolled data and 99.07% on controlled data. After optimization, these figures rose to 87.82% and 99.54%, respectively. The enhanced model not only improves accuracy but also exhibits practical advantages for deployment in resource-constrained environments, such as mobile devices. The study concludes that the integration of EfficientNet-LITE and KE-SVM Optimization effectively addresses challenges related to early disease classification and model robustness. Future research directions include the incorporation of diverse datasets and generative AI techniques to further enhance decision-making in precision agriculture.
Introduction
The introduction of the research paper highlights the significant economic impact of crop diseases, particularly in the context of potato production in India, which is crucial for food security and agricultural economics. Potatoes, cultivated over approximately 2 million hectares, face yield losses of 5% to 15% due to leaf diseases, underscoring the need for effective disease management strategies. Traditional methods of disease diagnosis, reliant on manual field scouting and visual evaluations by trained pathologists, are inefficient and often delayed. To address these challenges, the paper discusses the evolution of computer vision techniques and the increasing reliance on deep learning (DL) models, particularly Convolutional Neural Networks (CNNs), for rapid and accurate disease identification.
The research introduces the EfficientNet-LITE model, enhanced with Channel Attention and 1-D Local Binary Pattern (LBP) features, to improve feature extraction from images in uncontrolled environments. This model incorporates Sobel edge-detected samples to enhance edge information, and employs KE-SVM Optimization to refine classification accuracy by addressing misclassified samples. The findings indicate that this integrated approach significantly improves disease classification performance, achieving high accuracy in both controlled and uncontrolled settings. The paper emphasizes the potential of this methodology to revolutionize agricultural disease management, thereby aiding farmers in minimizing yield losses and making informed decisions. The subsequent sections of the paper will detail the model’s structure, experimental results, and future research directions.
Methods
In this study, the authors employed a systematic methodology beginning with image augmentation and Sobel edge detection to enhance and diversify the dataset of potato leaf images. This preprocessing step is crucial for improving the robustness of the model. Following this, an attention-based EfficientNet-LITE model was utilized for feature extraction, enabling the identification of critical leaf attributes that are indicative of various diseases.
Subsequently, the extracted features were optimized using Kernelized Support Vector Machine (KE-SVM) for accurate classification of potato leaf diseases across different environmental conditions. This combination of advanced image processing techniques and machine learning algorithms aims to improve the diagnostic accuracy of potato leaf disease identification, thereby contributing to more effective agricultural management practices.
Discussion
In this research, two datasets were employed to detect potato leaf diseases: one from uncontrolled environments in Indonesia, comprising 3,076 images categorized into seven disease types, and the PlantVillage Dataset with 2,152 images from controlled settings, classified into three categories. The preprocessing involved resizing images to 224×224 pixels using bilinear interpolation to optimize model performance. A comprehensive data augmentation strategy was applied, expanding the training dataset from 2,460 to 14,760 samples through techniques such as rotation, shifting, shearing, zooming, flipping, and Sobel edge detection, which enhanced the model’s ability to generalize across various conditions.
The study introduced EfficientNet-LITE, an optimized model for feature extraction that integrates a Channel Attention mechanism and 1-D Local Binary Pattern (LBP) to improve performance while maintaining computational efficiency. The model demonstrated superior accuracy on both datasets after applying Kernel-Ensemble SVM (KE-SVM) optimization, achieving 87.82% accuracy on the uncontrolled dataset and 99.54% on the controlled dataset. These results highlight the model’s effectiveness in addressing the challenges of dataset variability and early disease classification, suggesting potential for future enhancements through the integration of diverse datasets and generative AI techniques to support agricultural decision-making.