DOI: https://doi.org/10.1038/s41598-024-82629-8
PMID: https://pubmed.ncbi.nlm.nih.gov/39875383
تاريخ النشر: 2025-01-28
المؤلف: Midhun P Mathew وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث نموذج تعلم عميق هجين، يسمى عمق-قابل للفصل التلافيفي-ترانسنت (DSC-TransNet)، مصمم للتصنيف في الوقت الحقيقي لأمراض الأوراق في نباتات العنب والفلفل الحلو والطماطم. من خلال دمج بنية مجموعة VGG19 الهندسية البصرية مع كتل ترميز المحولات، يلتقط النموذج بشكل فعال الاعتماديات المكانية المعقدة في صور الأوراق، محققًا مقاييس أداء ملحوظة: الدقة (99.97%)، الدقة (99.94%)، الاسترجاع (99.94%)، الحساسية (99.94%)، درجة F1 (99.94%)، وAUC (0.98). يسهل نشر النموذج على NVIDIA Jetson Nano الكشف الفوري عن الأمراض، مما يساعد المزارعين في تنفيذ ممارسات إدارة فعالة تعزز من غلة المحاصيل وتقلل من الخسائر الاقتصادية.
تؤكد النتائج على مزايا دمج الشبكات العصبية التلافيفية التقليدية مع بنى المحولات، لا سيما من حيث الكفاءة الحسابية واستقرار النموذج من خلال استخدام التلافيف القابلة للفصل، وطبقات الإسقاط، وتطبيع الدفعات. لا تعالج هذه الطريقة الهجينة التحديات الحالية في تصنيف أمراض النباتات الآلي فحسب، بل تحمل أيضًا وعدًا بتطبيقات أوسع تتجاوز المحاصيل المدروسة. تشمل اتجاهات البحث المستقبلية تحسين النموذج لمعالجة سيناريوهات تصنيف الأمراض الأكثر تعقيدًا واستكشاف قابليته للتكيف مع محاصيل متنوعة من خلال التعلم الانتقالي وتقنيات التعلم العميق الخفيفة، مما يعزز من فائدته في سياقات زراعية متنوعة.
طرق
تُحدد المنهجية لاكتشاف أمراض أوراق النباتات باستخدام DSC-TransNet في سير عمل منظم، كما هو موضح في الشكل 2. تشمل هذه العملية عدة مراحل رئيسية: اكتساب الصور، والتعزيز، وتقسيم مجموعة البيانات، وبناء النموذج، وتصنيف الأمراض، وتقييم الأداء. يتضمن تعزيز الصور تقنيات مثل التدوير، والانعكاس، والتغيير في الحجم، وتعديلات اللون لتحسين مجموعة البيانات، التي تُقسم بعد ذلك إلى مجموعات تدريب (70%)، والتحقق (10%)، والاختبار (20%).
تُحلل النتائج التجريبية باستخدام مصفوفات الالتباس، التي توفر رؤية شاملة لأداء تصنيف النموذج لأمراض أوراق الفلفل الحلو والعنب والطماطم. توضح الأشكال 9 و10 فعالية النموذج في التمييز بين الأوراق الصحية والمريضة، بدقة ملحوظة تبلغ حوالي 99.74% لمجموعة الاختبار. يُظهر النموذج دقة عالية واسترجاع، مما يدل على موثوقيته. بينما توجد مخاوف طفيفة بشأن الإفراط في التكيف—الذي يتضح من الأداء القريب من الكمال لمجموعة التدريب مقارنة بمجموعة التحقق—تؤكد النتائج العامة على متانة النموذج. علاوة على ذلك، يتم اختبار قابلية النموذج للتكيف مع ظروف بيئية متنوعة، مما يضمن قابليته للتطبيق عبر سياقات زراعية مختلفة. يبرز البحث الإمكانية لتقنيات التكيف مع المجال، مثل الضبط الدقيق والتعلم الانتقالي، لتمديد فعالية النموذج إلى محاصيل أخرى تتجاوز التركيز الأولي على الفلفل الحلو والعنب والطماطم.
نتائج
في هذا القسم، يقدم البحث نتائج تجربة تهدف إلى تصنيف الأمراض في نباتات أوراق الفلفل الحلو والعنب والطماطم باستخدام كمبيوتر لوحي Jetson Nano مزود بوحدة معالجة رسومية مكونة من 128 نواة. تم توحيد الصور إلى دقة 256 بكسل، وتم تدريب النموذج على مدى 50 إلى 100 دورة لتحسين دقة التحقق والاختبار. تم اختبار معدلات تعلم متنوعة تتراوح من 0.01 إلى 0.0001، مع تحديد حجم الدفعة النهائي عند 9. استخدمت التحليلات مجموعات بيانات متنوعة، مما سمح بتقييم شامل لفعالية النموذج، مع تفاصيل المعلمات الفائقة في الجدول 4.
استخدمت الدراسة تحسين بايزي كطريقة لضبط المعلمات الفائقة، والتي تعتبر مفيدة بشكل خاص في البيئات ذات الموارد المحدودة. تستخدم هذه الطريقة نموذجًا احتماليًا للتنبؤ بالأداء بناءً على المعلمات الفائقة، مما يمكّن التركيز على المناطق الأكثر وعدًا في فضاء المعلمات الفائقة. شمل عملية التحسين تحديد نطاقات للمعلمات الفائقة الهامة، مثل معدل التعلم، ومعدل الإسقاط، وحجم الدفعة، وتنقيح هذه المعلمات بشكل تكراري بناءً على مقاييس الأداء مثل الدقة، ودرجة F1، وAUC. سهلت مكتبة Hyperopt هذا التحسين البايزي في بايثون، مما أظهر في النهاية أن هذه الطريقة توازن بشكل فعال بين الكفاءة الحسابية مع الأداء الأمثل للنموذج، وهو أمر حاسم للتصنيف في الوقت الحقيقي على الأجهزة المحمولة.
نقاش
يسلط النقاش الضوء على التقدم الكبير في تقنيات التعلم العميق (DL) والتعلم الآلي (ML) لاكتشاف وتصنيف أمراض النباتات، والتي تعتبر حاسمة لتحسين الإنتاجية الزراعية وتقليل الخسائر الاقتصادية. توضح دراسات متنوعة فعالية النماذج الهجينة، مثل MobileNetV2-Incep-M وGrapeNet، التي حققت معدلات دقة عالية (على سبيل المثال، 99.39% للتصنيف الثنائي و86.29% لأمراض أوراق العنب، على التوالي). لقد عزز دمج التعلم الانتقالي والهياكل المتقدمة، مثل ResNet50 المعدلة وPPLC-Net، من دقة تحديد الأمراض، حيث أفادت بعض النماذج بدقة تتجاوز 99.7%. لا تسهل هذه الابتكارات الكشف الفوري فحسب، بل تدعم أيضًا المزارعين في إدارة صحة المحاصيل بشكل أكثر فعالية.
علاوة على ذلك، يؤكد البحث على أهمية تقنيات معالجة البيانات والتعزيز القوية في تحسين أداء النموذج. لقد أظهرت توحيد أحجام الصور واستخدام استراتيجيات التعزيز—مثل التدوير، والتحويل، والتكبير—تحسين قدرة النموذج على التعميم عبر ظروف متنوعة، مما يؤدي إلى تحسينات كبيرة في دقة التصنيف (من 6% إلى 9% مقارنة بالصور غير المعالجة). يمثل نموذج DSC-TransNet المقترح، الذي يجمع بين التلافيف القابلة للفصل مع مشفرات المحولات، نهجًا متقدمًا لاستخراج الميزات، محققًا نتائج ملحوظة في تصنيف الأمراض مع الحفاظ على الكفاءة الحسابية. بشكل عام، تؤكد هذه النتائج على الإمكانات التحولية للذكاء الاصطناعي في الزراعة، لا سيما في مجال إدارة أمراض النباتات.
DOI: https://doi.org/10.1038/s41598-024-82629-8
PMID: https://pubmed.ncbi.nlm.nih.gov/39875383
Publication Date: 2025-01-28
Author(s): Midhun P Mathew et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents a hybrid deep learning model, named depth-wise separable convolutional-TransNet (DSC-TransNet), designed for the real-time classification of leaf diseases in grape, bell pepper, and tomato plants. By integrating the visual geometric group version 19 (VGG19) architecture with transformer encoder blocks, the model effectively captures complex spatial dependencies in leaf images, achieving remarkable performance metrics: accuracy (99.97%), precision (99.94%), recall (99.94%), sensitivity (99.94%), F1-score (99.94%), and AUC (0.98). The model’s deployment on the NVIDIA Jetson Nano facilitates timely disease detection, aiding farmers in implementing effective management practices that enhance crop yields and reduce economic losses.
The findings underscore the advantages of combining traditional convolutional neural networks with transformer architectures, particularly in terms of computational efficiency and model stability through the use of depth-wise separable convolutions, dropout layers, and batch normalization. This hybrid approach not only addresses current challenges in automated plant disease classification but also holds promise for broader applications beyond the studied crops. Future research directions include refining the model to tackle more complex disease classification scenarios and exploring its adaptability to various crops through transfer learning and lightweight deep learning techniques, thereby enhancing its utility in diverse agricultural contexts.
Methods
The methodology for plant leaf disease detection using DSC-TransNet is outlined in a structured workflow, as depicted in Figure 2. This process includes several key stages: image acquisition, augmentation, dataset segmentation, model construction, disease classification, and performance evaluation. Image augmentation involves techniques such as rotation, flipping, scaling, and color adjustments to enhance the dataset, which is subsequently divided into training (70%), validation (10%), and testing (20%) subsets.
The experimental results are analyzed using confusion matrices, which provide a comprehensive view of the model’s classification performance for bell pepper, grape, and tomato leaf diseases. Figures 9 and 10 illustrate the model’s effectiveness in distinguishing between healthy and diseased leaves, with a notable accuracy of approximately 99.74% for the testing set. The model demonstrates high precision and recall, indicating its reliability. While there are minor concerns regarding overfitting—evident from the training set’s near-perfect performance compared to the validation set—the overall results affirm the model’s robustness. Furthermore, the model’s adaptability to various environmental conditions is tested, ensuring its applicability across different agricultural contexts. The research emphasizes the potential for domain adaptation techniques, such as fine-tuning and transfer learning, to extend the model’s effectiveness to other crops beyond the initial focus on bell peppers, grapes, and tomatoes.
Results
In this section, the research presents the results of an experiment aimed at classifying diseases in bell pepper, grape, and tomato leaf plants using a Jetson Nano single-board computer equipped with a 128-core GPU. The images were standardized to a resolution of 256 pixels, and the model was trained over 50 to 100 epochs to optimize validation and testing accuracy. Various learning rates ranging from 0.01 to 0.0001 were tested, with a final batch size set at 9. The analysis utilized diverse datasets, allowing for a thorough evaluation of the model’s effectiveness, with hyperparameters detailed in Table 4.
The study employed Bayesian optimization as a hyperparameter tuning technique, which is particularly advantageous in resource-constrained environments. This method utilizes a probabilistic model to predict performance based on hyperparameters, enabling the focus on more promising areas of the hyperparameter space. The optimization process involved defining ranges for significant hyperparameters, such as learning rate, dropout rate, and batch size, and iteratively refining these parameters based on performance metrics like accuracy, F1 score, and AUC. The Hyperopt library facilitated this Bayesian optimization in Python, ultimately demonstrating that this approach effectively balances computational efficiency with optimal model performance, crucial for real-time classification on handheld devices.
Discussion
The discussion highlights the significant advancements in deep learning (DL) and machine learning (ML) techniques for the detection and classification of plant diseases, which are critical for improving agricultural productivity and reducing economic losses. Various studies illustrate the effectiveness of hybrid models, such as the MobileNetV2-Incep-M and GrapeNet, which have achieved high accuracy rates (e.g., 99.39% for binary classification and 86.29% for grape leaf diseases, respectively). The integration of transfer learning and advanced architectures, such as modified ResNet50 and PPLC-Net, has further enhanced the precision of disease identification, with some models reporting accuracies exceeding 99.7%. These innovations not only facilitate real-time detection but also support farmers in managing crop health more effectively.
Moreover, the research emphasizes the importance of robust data preprocessing and augmentation techniques in improving model performance. Standardizing image sizes and employing augmentation strategies—such as rotation, shifting, and zooming—have been shown to enhance the model’s ability to generalize across various conditions, leading to significant improvements in classification accuracy (6% to 9% over unprocessed images). The proposed DSC-TransNet model, which combines depth-wise separable convolutions with transformer encoders, exemplifies a sophisticated approach to feature extraction, achieving notable results in disease classification while maintaining computational efficiency. Overall, these findings underscore the transformative potential of AI in agriculture, particularly in the realm of plant disease management.