DOI: https://doi.org/10.3897/ejfa.2024.122928
تاريخ النشر: 2024-04-18
المؤلف: Yonis Gulzar
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث دراسة حول تصنيف بذور فول الصويا المشكلة باستخدام نموذج التعلم العميق InceptionV3 المعدل. تتكون مجموعة البيانات من 5,513 صورة مصنفة إلى خمس فئات متميزة. يتضمن النموذج خمس طبقات إضافية لتحسين أدائه، إلى جانب تقنيات مثل التعلم الانتقالي، وضبط معدل التعلم التكيفي (المحدد على 0.001)، وتسجيل نقاط النموذج. أسفرت التقييمات الأولية عن دقة تبلغ 88.07% أثناء التدريب و86.67% أثناء التحقق. بعد تنفيذ استراتيجيات ضبط النموذج، تحسنت الدقة بشكل كبير إلى 98.73%. تشير مقاييس التقييم، بما في ذلك الدقة (التي تتراوح من 0.9706 إلى 1.0000)، والاسترجاع (الذي يظهر معدلات التقاط عالية)، ودرجات F1 (بين 0.9851 و1.0000)، إلى فعالية النموذج في تصنيف بذور فول الصويا.
في الختام، تقدم الدراسة نموذجًا قويًا لتصنيف بذور فول الصويا، محققة تحسينات ملحوظة في الدقة من خلال تحسينات هيكلية وتقنيات ضبط. يتجاوز أداء النموذج ذلك للدراسات الحالية، مما يبرز إمكانياته في التكنولوجيا الزراعية لتقييم صحة المحاصيل. ستركز الأبحاث المستقبلية على توسيع تطبيقات النموذج في سياقات زراعية أخرى ومزيد من تحسين معاييره، بما في ذلك استكشاف طرق التجميع لتعزيز أداء التصنيف.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية فول الصويا كمصدر رئيسي للزيت والبروتين بين محاصيل البذور الزيتية، حيث تعتبر البرازيل والولايات المتحدة والأرجنتين من أكبر المنتجين لفترة 2023/24. يتم التأكيد على ضرورة وجود بذور عالية الجودة خالية من العيوب، حيث إن هذه البذور ضرورية لتحقيق غلات مثالية. تعتمد الطرق التقليدية لتقييم جودة البذور على التقييمات اليدوية من قبل الخبراء، والتي يمكن أن تكون مستهلكة للوقت وقد لا تكون قابلة للتطبيق على جميع المزارعين.
تناقش الورقة الدور التحويلي للذكاء الاصطناعي (AI) في الزراعة، لا سيما في تعزيز الإنتاجية والاستدامة من خلال تقنيات الزراعة الدقيقة. يتم الاستشهاد بعدة دراسات، تُظهر تطبيق خوارزميات التعلم العميق في مهام مثل اكتشاف أمراض المحاصيل، وتصنيف البذور، وتوقع الغلات. تشمل التقدمات الملحوظة استخدام نماذج مثل VGG19 وCNNs التي تحقق معدلات دقة عالية في تحديد مشكلات فول الصويا، بالإضافة إلى أساليب مبتكرة تجمع بين إنترنت الأشياء والحوسبة السحابية لإدارة المحاصيل بشكل فعال. تمهد المقدمة الطريق لاستكشاف إمكانيات الذكاء الاصطناعي في إحداث ثورة في الممارسات الزراعية وتحسين الأمن الغذائي.
طرق
في هذا القسم، يوضح المؤلفون الطرق المستخدمة في دراستهم لتطوير نموذج لتصنيف أمراض بذور الذرة. تم تنفيذ النموذج باستخدام Python 3.8، مع OpenCV 4.7 وKeras 2.8، على نظام تشغيل Windows 10 Pro. تضمنت الأجهزة المستخدمة معالج Intel i5 (2.9 GHz)، وGPU Nvidia RTX 2060، و16 GB من RAM.
لتقييم أداء النموذج، تم استخدام عدة مقاييس: الدقة، والدقة، والاسترجاع، ودرجة F1. تعكس الدقة النسبة الإجمالية للعينات التي تم تحديدها بشكل صحيح، بينما يشير الاسترجاع إلى نسبة التعريفات الإيجابية الحقيقية إلى جميع الحالات الإيجابية الفعلية. تقيس الدقة دقة التعريفات الإيجابية بين جميع الإيجابيات المتوقعة. تم اشتقاق الحسابات المحددة لهذه المقاييس من معادلات معروفة، على الرغم من عدم تقديم الصيغ الدقيقة في النص. تضمنت بنية النموذج عدة طبقات تلافيفية، وطبقات تجميع، وطبقة softmax نهائية للتصنيف، مما يشير إلى نهج معقد لاستخراج الميزات والتصنيف.
نتائج
في هذا القسم، يتم تقديم نتائج النموذج المقترح لتصنيف بذور فول الصويا، مع تسليط الضوء على مقاييس الأداء الرئيسية مثل الدقة، والخسارة، والدقة، والاسترجاع، ودرجة F1. تم تدريب نموذج InceptionV3 في البداية على مجموعة بيانات فول الصويا، محققًا دقة تدريب تبلغ 88.07% ودقة تحقق تبلغ 86.67%. لتعزيز الأداء، تم استخدام التعلم الانتقالي مع معدل تعلم تكيفي قدره 0.001، إلى جانب تسجيل نقاط النموذج وإضافة طبقات تشمل Average Pooling، وFlatten، وDense، وDropout، وSoftmax. أدت هذه التعديلات إلى تحسين كبير في دقة النموذج، التي وصلت تقريبًا إلى 99% بحلول الدورة 27، بينما بلغت دقة التحقق ذروتها عند 98-99% بحلول الدورة 31.
كشفت تحليل مصفوفة الالتباس أن النموذج صنف بدقة معظم الحالات عبر جميع الفئات، مع أداء ملحوظ في الفئة المنقطة، التي حققت دقة قدرها 1.0000. بشكل عام، حقق النموذج دقة مثيرة للإعجاب تبلغ 98.73%، مع قيم دقة تتراوح من 0.9706 إلى 0.9916 لفئات مختلفة. كانت مقاييس الاسترجاع أيضًا جديرة بالثناء، مع درجات مثالية لعدة فئات، مما يبرز فعالية النموذج. درجات F1، التي تتراوح من 0.9851 إلى 1.0000، تظهر أيضًا أداء النموذج المتوازن. بالمقارنة، فإن دقة النموذج المقترح تنافس المنهجيات الحالية في تصنيف بذور فول الصويا، مما يؤكد فعالية استراتيجيات الضبط والتنقيحات المعمارية المنفذة.
نقاش
في هذه الدراسة، تم تطوير نموذج تعلم عميق يعتمد على بنية InceptionV3 لتصنيف بذور فول الصويا المشكلة، مما يعالج حاجة ملحة لتقييم الجودة في الزراعة. تم تحسين النموذج من خلال إضافة خمس طبقات قبل طبقة التصنيف، بما في ذلك Average Pooling، وFlatten، وDense، وDropout، والتي حسنت بشكل جماعي كفاءته وأدائه. تتكون مجموعة البيانات من 5,513 صورة من خمس فئات لبذور فول الصويا، وحقق النموذج دقة مثيرة للإعجاب تبلغ 98.73%. تم استخدام تقنيات ضبط النموذج الرئيسية مثل التعلم الانتقالي، ومعدلات التعلم التكيفية، وتسجيل نقاط النموذج لتحسين الأداء ومنع الإفراط في التكيف.
تؤكد النتائج فعالية التعلم العميق في التطبيقات الزراعية، لا سيما في سياق تصنيف بذور فول الصويا. لم يحقق النموذج المقترح دقة أعلى من النماذج الحالية فحسب، بل أظهر أيضًا إمكانيات لتطبيقات أوسع في تقييم صحة المحاصيل وإدارتها. ستركز الأعمال المستقبلية على استكشاف قابلية توسيع النموذج وضبط معاييره، بالإضافة إلى التحقيق في طرق التجميع لتعزيز أداء التصنيف بشكل أكبر. بشكل عام، تسهم هذه الأبحاث بشكل كبير في تقدم التكنولوجيا الزراعية من خلال تحسين طرق تقييم جودة البذور.
DOI: https://doi.org/10.3897/ejfa.2024.122928
Publication Date: 2024-04-18
Author(s): Yonis Gulzar
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents a study on the classification of problematic soybean seeds using a modified InceptionV3 deep learning model. The dataset comprises 5,513 images categorized into five distinct classes. The model incorporates five additional layers to improve its performance, alongside techniques such as transfer learning, adaptive learning rate adjustment (set to 0.001), and model checkpointing. Initial evaluations yielded an accuracy of 88.07% during training and 86.67% during validation. Following the implementation of model tuning strategies, the accuracy significantly improved to 98.73%. Evaluation metrics, including precision (ranging from 0.9706 to 1.0000), recall (demonstrating high capture rates), and F1-scores (between 0.9851 and 1.0000), indicate the model’s effectiveness in classifying soybean seeds.
In conclusion, the study successfully introduces a robust model for soybean seed classification, achieving notable accuracy improvements through architectural enhancements and tuning techniques. The model’s performance surpasses that of existing studies, highlighting its potential in agricultural technology for crop health assessment. Future research will focus on expanding the model’s applicability to other agricultural contexts and further refining its parameters, including the exploration of ensemble methods to enhance classification performance.
Introduction
The introduction of the research paper highlights the significance of soybean as a leading source of oil and protein among oilseed crops, with Brazil, the United States, and Argentina being the top producers for the 2023/24 period. The necessity for high-quality seeds free from defects is emphasized, as these are crucial for achieving optimal yields. Traditional methods of seed quality assessment rely on manual evaluations by experts, which can be time-consuming and may not be feasible for all farmers.
The paper discusses the transformative role of artificial intelligence (AI) in agriculture, particularly in enhancing productivity and sustainability through precision farming techniques. Various studies are cited, showcasing the application of deep learning algorithms for tasks such as crop disease detection, seed classification, and yield prediction. Notable advancements include the use of models like VGG19 and CNNs achieving high accuracy rates in identifying soybean issues, as well as innovative approaches combining IoT and Fog computing for effective crop management. The introduction sets the stage for further exploration of AI’s potential in revolutionizing agricultural practices and improving food security.
Methods
In this section, the authors detail the methods employed in their study to develop a model for classifying corn seed diseases. The model was implemented using Python 3.8, with OpenCV 4.7 and Keras 2.8, on a Windows 10 Pro operating system. The hardware utilized included an Intel i5 processor (2.9 GHz), an Nvidia RTX 2060 GPU, and 16 GB of RAM.
To evaluate the model’s performance, several metrics were employed: accuracy, precision, recall, and the F1-score. Accuracy reflects the overall proportion of correctly identified samples, while recall indicates the ratio of true positive identifications to all actual positive instances. Precision measures the accuracy of positive identifications among all predicted positives. The specific calculations for these metrics were derived from established equations, although the exact formulations were not provided in the text. The architecture of the model included multiple convolutional layers, pooling layers, and a final softmax layer for classification, suggesting a complex approach to feature extraction and classification.
Results
In this section, the results of the proposed model for soybean seed classification are presented, highlighting key performance metrics such as accuracy, loss, precision, recall, and F1-score. The InceptionV3 model was initially trained on the soybean dataset, achieving a training accuracy of 88.07% and a validation accuracy of 86.67%. To enhance performance, transfer learning was employed with an adaptive learning rate of 0.001, alongside model checkpointing and the addition of layers including Average Pooling, Flatten, Dense, Dropout, and Softmax. These modifications significantly improved the model’s accuracy, which reached approximately 99% by the 27th epoch, while validation accuracy peaked at 98-99% by the 31st epoch.
The confusion matrix analysis revealed that the model accurately classified most instances across all classes, with notable performance in the Spotted class, which achieved a precision of 1.0000. Overall, the model attained an impressive accuracy of 98.73%, with precision values ranging from 0.9706 to 0.9916 for various classes. The recall metrics were equally commendable, with perfect scores for several classes, underscoring the model’s effectiveness. The F1-scores, ranging from 0.9851 to 1.0000, further demonstrate the model’s balanced performance. Comparatively, the proposed model’s accuracy is competitive with existing methodologies in soybean seed classification, affirming the efficacy of the implemented tuning strategies and architectural enhancements.
Discussion
In this study, a deep learning model based on the InceptionV3 architecture was developed for the classification of problematic soybean seeds, addressing a critical need for quality assessment in agriculture. The model was enhanced by adding five layers before the classification layer, including Average Pooling, Flatten, Dense, and Dropout layers, which collectively improved its efficiency and performance. The dataset comprised 5,513 images of five soybean seed categories, and the model achieved an impressive accuracy of 98.73%. Key model tuning techniques such as transfer learning, adaptive learning rates, and model checkpointing were employed to optimize performance and prevent overfitting.
The findings underscore the effectiveness of deep learning in agricultural applications, particularly in the context of soybean seed classification. The proposed model not only outperformed existing models in accuracy but also demonstrated the potential for broader applications in crop health assessment and management. Future work will focus on exploring the scalability of the model and fine-tuning its parameters, as well as investigating ensemble methods to further enhance classification performance. Overall, this research contributes significantly to advancing agricultural technology through improved seed quality assessment methods.