DOI: https://doi.org/10.1038/s41598-024-66989-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38992069
تاريخ النشر: 2024-07-11
المؤلف: Md. Jawadul Karim وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا للكشف المبكر عن أمراض أوراق العنب باستخدام نموذج شبكة عصبية تلافيفية خفيفة الوزن (CNN) مخصص يعتمد على MobileNetV3Large. تم تصميم هذا النموذج للنشر على الأجهزة الطرفية مثل Nvidia Jetson Nano، ويظهر أداءً استثنائيًا بدقة تدريب واختبار تبلغ 99.66% و99.42% على التوالي. تتضمن المنهجية طبقات كثيفة إضافية وطبقات إسقاط لتخفيف الإفراط في التكيف، مما يؤدي إلى نموذج ليس فقط فعالًا ولكن أيضًا يتطلب موارد حسابية قليلة، حيث يستهلك حوالي 1.0 واط أثناء التنبؤات. يعزز استخدام تصور Grad-CAM من قابلية تفسير النموذج من خلال تسليط الضوء بشكل فعال على المناطق المريضة في الصور.
تخلص الدراسة إلى أن نموذج MobileNetV3Large المخصص يتفوق على الهياكل الأخرى التي تم اختبارها، بما في ذلك MobileNetV3Small وDenseNet121، مع الحفاظ على وقت تنبؤ منخفض يبلغ 90 مللي ثانية. تسهل الواجهة سهلة الاستخدام التي تم تطويرها للنموذج تطبيقه في البيئات الزراعية الواقعية، مما يمهد الطريق للتكامل في تقنيات الزراعة المستقلة. ستركز الأعمال المستقبلية على تحسين مجموعة البيانات من خلال الشبكات التنافسية التوليدية (GANs) وتنفيذ وحدات الانتباه لتحسين دقة التصنيف، خاصة للأمراض مثل العفن الأسود وESCA. بالإضافة إلى ذلك، تهدف الخطط لنشر النموذج على الطائرات بدون طيار (UAVs) إلى تمكين المراقبة السريعة والتحديد الدقيق للمناطق المتأثرة بالأمراض في مزارع العنب، مما يسهم في ممارسات زراعية أكثر استدامة وتحسين الأمن الغذائي.
الطرق
تحدد قسم “المواد والطرق” الإطار التجريبي والتقنيات التحليلية المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك مصادرها وطرق تحضيرها، والتي تعتبر حاسمة لإمكانية إعادة الإنتاج. تشمل المنهجية تصميم التجربة، بما في ذلك تدابير التحكم والظروف التي أجريت فيها التجارب.
في تحليل النتائج التجريبية، يصف القسم الأساليب الإحصائية المطبقة لتفسير البيانات، مما يضمن أن النتائج قوية وموثوقة. يشمل ذلك استخدام البرمجيات المناسبة لتحليل البيانات، بالإضافة إلى الاختبارات الإحصائية المستخدمة لتقييم دلالة النتائج. بشكل عام، يوفر قسم الطرق نظرة شاملة على الإجراءات المتبعة، مما يسمح بفهم واضح لكيفية استنتاج الاستنتاجات من البيانات التجريبية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور هياكل الشبكات العصبية التلافيفية (CNN) لتصنيف أمراض أوراق العنب على مدار العقد الماضي. في البداية، كانت الدراسات تركز بشكل أساسي على النماذج الكبيرة التي تتطلب حسابات مكثفة، مثل VGG16 وInception v3، والتي حققت معدلات دقة عالية (على سبيل المثال، تصل إلى 100% لـ Inception v3). ومع ذلك، فإن الاتجاه يتجه نحو النماذج الخفيفة التي يمكن أن تعمل بكفاءة على الأجهزة الطرفية. على سبيل المثال، أظهر نموذج UnitedModel، الذي يجمع بين ميزات من GoogLeNet وResNet، دقة تحقق تبلغ 99.17% على مجموعة بيانات PlantVillage. على الرغم من هذه التقدمات، تعاني العديد من النماذج الحالية من قيود مثل عدد المعلمات العالية، والإفراط في التكيف بسبب مجموعات البيانات غير المتوازنة، ونقص مقاييس الأداء الشاملة مثل الدقة وF1-score، والتي تعتبر حاسمة لتقييم قوة النموذج.
تهدف الجهود الأخيرة إلى تطوير هياكل خفيفة الوزن قادرة على تحقيق دقة عالية بينما تكون مناسبة للتطبيقات في الوقت الحقيقي. تم تحديد نماذج مثل MobileNetV3Large كمرشحين واعدين بسبب تصميمها الفعال، الذي يتضمن تقنيات مثل البقايا المقلوبة وكتل الضغط والتحفيز. تهدف الأبحاث المقترحة إلى معالجة الفجوات المحددة في الدراسات السابقة من خلال إنشاء نموذج خفيف الوزن لتصنيف أمراض أوراق العنب تم التحقق منه على مجموعات بيانات من العالم الحقيقي. سيستخدم هذا النموذج نهجًا منهجيًا من جمع البيانات إلى المعالجة المسبقة وتدريب النموذج، مما يضمن أنه فعال وعملي للنشر في البيئات الزراعية. تؤكد الورقة على أهمية تحقيق التوازن بين تعقيد النموذج وكفاءة الحساب لتعزيز قابلية تطبيق التعلم العميق في السيناريوهات الزراعية الواقعية.
DOI: https://doi.org/10.1038/s41598-024-66989-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38992069
Publication Date: 2024-07-11
Author(s): Md. Jawadul Karim et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents a novel approach to the early detection of grape leaf diseases using a customized lightweight convolutional neural network (CNN) model based on MobileNetV3Large. This model, designed for deployment on edge devices such as the Nvidia Jetson Nano, demonstrates exceptional performance with training and test accuracies of 99.66% and 99.42%, respectively. The methodology incorporates additional dense layers and dropout layers to mitigate overfitting, resulting in a model that is not only efficient but also requires minimal computational resources, consuming approximately 1.0 W during predictions. The use of Grad-CAM visualization further enhances the model’s interpretability by effectively highlighting diseased areas in images.
The study concludes that the customized MobileNetV3Large model outperforms other tested architectures, including MobileNetV3Small and DenseNet121, while maintaining a low prediction time of 90 ms. The user-friendly interface developed for the model facilitates its application in real-world agricultural settings, paving the way for integration into autonomous farming technologies. Future work will focus on enhancing the dataset through generative adversarial networks (GANs) and implementing attention modules to improve classification precision, particularly for diseases like black rot and ESCA. Additionally, plans to deploy the model on unmanned aerial vehicles (UAVs) aim to enable rapid monitoring and accurate localization of disease-affected areas in vineyards, thereby contributing to more sustainable agricultural practices and improved food security.
Methods
The section on “Materials and Methods” outlines the experimental framework and analytical techniques employed in the study. It details the specific materials used, including their sources and preparation methods, which are crucial for reproducibility. The methodology encompasses the experimental design, including control measures and the conditions under which the experiments were conducted.
In the analysis of experimental results, the section describes the statistical methods applied to interpret the data, ensuring that findings are robust and reliable. This includes the use of appropriate software for data analysis, as well as the statistical tests employed to evaluate the significance of the results. Overall, the methods section provides a comprehensive overview of the procedures followed, allowing for a clear understanding of how the conclusions were drawn from the experimental data.
Discussion
The discussion section of the research paper highlights the evolution of convolutional neural network (CNN) architectures for grape leaf disease classification over the past decade. Initially, studies predominantly focused on large, computationally intensive models, such as VGG16 and Inception v3, which achieved high accuracy rates (e.g., up to 100% for Inception v3). However, the trend is shifting towards lightweight models that can operate efficiently on edge devices. For instance, the UnitedModel, which combines features from GoogLeNet and ResNet, demonstrated a validation accuracy of 99.17% on the PlantVillage dataset. Despite these advancements, many existing models suffer from limitations such as high parameter counts, overfitting due to unbalanced datasets, and a lack of comprehensive performance metrics like precision and F1-score, which are crucial for assessing model robustness.
Recent efforts have aimed to develop lightweight architectures capable of high accuracy while being suitable for real-time applications. Models like MobileNetV3Large have been identified as promising candidates due to their efficient design, which incorporates techniques such as inverted residuals and squeeze-and-excitation blocks. The proposed research aims to address the gaps identified in previous studies by creating a lightweight model for grape leaf disease classification that has been validated on real-world datasets. This model will utilize a systematic approach from data collection to preprocessing and model training, ensuring that it is both effective and practical for deployment in agricultural settings. The paper emphasizes the importance of balancing model complexity with computational efficiency to enhance the applicability of deep learning in real-world agricultural scenarios.