DOI: https://doi.org/10.1038/s41598-025-88399-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39971956
تاريخ النشر: 2025-02-19
المؤلف: Yu Meng وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تتناول هذه الدراسة القضية الحرجة لاكتشاف أمراض أوراق الذرة من خلال تقديم خوارزمية YOLO-MSM، التي تستخدم طريقة جديدة للتفاف المتغير متعدد المقاييس (MKConv). تعزز هذه الطريقة من قدرة الخوارزمية على التكيف مع أشكال العينات المختلفة وتحسن الأداء العام. بالإضافة إلى ذلك، يستخدم نموذج C2f-SK آلية انتباه النواة الانتقائية (SK) لتحسين استخراج الميزات، بينما يتم تحسين دالة الخسارة باستخدام تقاطع المسافة الدنيا بين النقاط (MPDIoU) لتحديد الأهداف الم occluded بكثافة بشكل أفضل. تظهر النتائج التجريبية أن YOLO-MSM تحقق معدل اكتشاف في الوقت الحقيقي يبلغ 279.56 إطارًا في الثانية (fps)، مع تحسينات في الدقة والاسترجاع بنسبة 0.66% و1.61% على التوالي. يسمح التصميم الخفيف للنموذج، الذي يبلغ حجمه 5.4 ميغابايت فقط، بنشره بكفاءة على الأجهزة المحمولة، مما يوازن بين السرعة والدقة بشكل فعال.
تؤسس الدراسة أيضًا مجموعة بيانات شاملة لأمراض أوراق الذرة، تم التقاطها تحت ظروف بيئية ومراحل نمو مختلفة، لدعم السيطرة على الأمراض الزراعية والتقدم التكنولوجي. تعتمد خوارزمية YOLO-MSM، المستندة إلى YOLOv8، على آلية انتباه ووحدة التفاف جديدة لتعزيز استخراج الميزات وسرعة الاكتشاف. مقارنةً بخوارزميات أخرى متطورة، تظهر YOLO-MSM تحسينات كبيرة في دقة الاكتشاف، متفوقة على نماذج مثل YOLOv5n وYOLOv6n وRT-DETR-18 بمقدار 1.60 و9.58 و3.12 نقطة مئوية على التوالي. لا يلبي هذا النموذج الخفيف فقط المطالب المتعلقة بالدقة العالية والاكتشاف في الوقت الحقيقي، بل يضع أيضًا الأساس للبحوث المستقبلية التي تهدف إلى دمج التعلم العميق مع النماذج الكبيرة لتعزيز قدرات الاكتشاف في إدارة الأمراض الزراعية الذكية.
طرق
في هذا القسم، توضح الدراسة المنهجيات المستخدمة للاكتشاف الذكي باستخدام خوارزمية YOLOv8، التي تم تسليط الضوء عليها باعتبارها النسخة الأكثر كفاءة في سلسلة YOLO. تقدم YOLOv8 تحسينات كبيرة في دقة وسرعة الاكتشاف مقارنةً بسابقاتها، مع الحفاظ على توازن ملائم في استخدام موارد الحوسبة. تتضمن بنية YOLOv8n العمود الفقري CSPDarknet، الذي يدمج تقنيات تحويل التدرج والاتصالات عبر الطبقات من YOLOv7. بالإضافة إلى ذلك، يقلل إدخال وحدة C2f المتبقية من عدد معلمات النموذج بينما يعزز كفاءة استخراج الميزات.
تستخدم البنية أيضًا هيكل PANet، الذي يعزز نقل المعلومات من خلال آلية مسار من الأسفل إلى الأعلى، مما يسهل دمج الميزات السياقية متعددة المقاييس. من الجدير بالذكر أن YOLOv8 تنفذ آلية مطابقة بدون مرساة وتستخدم مجموعة متنوعة من دوال الخسارة، بما في ذلك دالة خسارة الانتروبيا المتقاطعة الثنائية (BCE) للتصنيف ودالة خسارة التركيز الموزعة (DFL) جنبًا إلى جنب مع خسارة CloU للاكتشاف، مما يحسن دقة التصنيف والتحديد. تعتمد الدراسة بشكل خاص على إصدار YOLOv8n كنموذج أساسي لاكتشاف أمراض أوراق الذرة، مع إعطاء الأولوية لسرعة الاكتشاف جنبًا إلى جنب مع تحسين نتائج الأداء.
نتائج
يقيم قسم النتائج في الدراسة أداء خوارزمية YOLO Mural لاكتشاف الأضرار في الجداريات الكهفية، مع التركيز على التصميم الخفيف والدقة وقدرات الاكتشاف في الوقت الحقيقي. تشمل المقاييس الرئيسية للتقييم عدد المعلمات، وعمليات النقطة العائمة (Flops)، وطبقات الشبكة، وحجم تخزين النموذج، وأوقات التدريب للأداء الخفيف. يتم تقييم الدقة باستخدام الدقة (P)، والاسترجاع (R)، ومتوسط الدقة (mAP)، ودرجة F1، بينما يتم قياس الأداء في الوقت الحقيقي بالإطارات في الثانية (fps). تقدم الدراسة أيضًا mAP@0.5 وmAP@0.5:0.95 لتوفير فهم دقيق لأداء النموذج عبر عتبات تقاطع المسافة (IoU) المختلفة، بالإضافة إلى متوسط الدقة للأهداف الصغيرة والمتوسطة والكبيرة.
تكشف التحليلات أن خوارزمية YOLO MSM تظهر تقاربًا أسرع وقيم خسارة أقل مقارنةً بخوارزمية YOLOv8n، حيث تحقق قيمة تقارب نهائية تبلغ 1.5225، انخفاضًا من 1.7391. تشير تحليل منحنى R-P إلى أن YOLO MSM لديها منطقة أكبر بكثير تحت المنحنى، مما يدل على دقة متوسطة أعلى. من حيث الاكتشاف في الوقت الحقيقي، تحقق YOLO MSM سرعة تبلغ 279.56 إطارًا في الثانية، متفوقة على النماذج الأخرى. تظهر نتائج التصور أن YOLO MSM تقلل بشكل فعال من الاكتشافات المفقودة والخاطئة، خاصة في السيناريوهات المعقدة مع تداخل أمراض الأوراق. يعزز دمج النموذج لآلية الانتباه قدرته على مراقبة أمراض أوراق الذرة بدقة في البيئات الزراعية الديناميكية، مما يجعله مناسبًا للتطبيقات في الوقت الحقيقي.
نقاش
في هذا القسم، تناقش الدراسة المنهجية لجمع البيانات وإعدادها، وهيكل MKConv المبتكر، وآلية الانتباه C2f-SK، وتحسين دالة خسارة MPDIoU، مما يؤدي إلى تطوير خوارزمية YOLO MSM لاكتشاف أمراض أوراق الذرة في الوقت الحقيقي. تم جمع البيانات في مدينة رهو، مقاطعة قوانغدونغ، الصين، على مدار 13 يومًا، مما أسفر عن مجموعة بيانات متنوعة تضم 14,700 صورة عالية الجودة تم وضع علامات عليها للتدريب والتحقق والاختبار. تعزز طريقة MKConv من الالتفاف التقليدي من خلال السماح بأخذ عينات متعددة المقاييس وقابلة للتكيف، مما يحسن كفاءة استخراج الميزات، خاصة للعلاقات المكانية المعقدة في الصور.
يعمل إدخال آلية الانتباه C2f-SK على تحسين دقة الاكتشاف من خلال ضبط حجم المجال الاستقبالي ديناميكيًا بناءً على الميزات المدخلة، مما يلتقط بفعالية الأجسام المستهدفة بمقاييس مختلفة. بالإضافة إلى ذلك، تعمل دالة خسارة MPDIoU على تحسين انحدار الصندوق المحيط من خلال تقليل المسافة بين الصناديق المحيطة المتوقعة والحقيقية، مما يعزز تقارب النموذج ودقة التحديد. تظهر خوارزمية YOLO MSM، التي تدمج هذه التطورات، أداءً متفوقًا في اكتشاف أمراض أوراق الذرة، حيث تحقق دقة اكتشاف تبلغ 90.11% وتحسن على النماذج الحالية في كل من الدقة والاسترجاع، مما يضع إطارًا قويًا للتطبيقات الزراعية الذكية.
DOI: https://doi.org/10.1038/s41598-025-88399-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39971956
Publication Date: 2025-02-19
Author(s): Yu Meng et al.
Primary Topic: Smart Agriculture and AI
Overview
This study addresses the critical issue of maize leaf disease detection by introducing the YOLO-MSM algorithm, which employs a novel Multi-scale Variable Kernel Convolution (MKConv) method. This approach enhances the algorithm’s adaptability to various sample shapes and improves overall performance. Additionally, the C2f-SK module utilizes the Selective Kernel (SK) attention mechanism to optimize feature extraction, while the loss function is refined using Minimum Point Distance Intersection over Union (MPDIoU) to better locate densely occluded targets. Experimental results demonstrate that YOLO-MSM achieves a real-time detection rate of 279.56 frames per second (fps), with improvements in precision and recall of 0.66% and 1.61%, respectively. The model’s lightweight design, at only 5.4 MB, allows for efficient deployment on mobile devices, balancing speed and accuracy effectively.
The research also establishes a comprehensive dataset of maize leaf diseases, captured under varying environmental conditions and growth stages, to support agricultural disease control and technological advancements. The YOLO-MSM algorithm, based on YOLOv8, incorporates an attention mechanism and a new convolution module to enhance feature extraction and detection speed. Compared to other state-of-the-art algorithms, YOLO-MSM shows significant improvements in detection precision, outperforming models like YOLOv5n, YOLOv6n, and RT-DETR-18 by 1.60, 9.58, and 3.12 percentage points, respectively. This lightweight model not only meets the demands for high-precision and real-time detection but also lays the groundwork for future research aimed at integrating deep learning with large models to further enhance detection capabilities in intelligent agricultural disease management.
Methods
In this section, the research outlines the methodologies employed for intelligent detection using the YOLOv8 algorithm, which is highlighted as the most efficient iteration in the YOLO series. YOLOv8 offers significant improvements in detection accuracy and speed compared to its predecessors, while maintaining a favorable balance of computational resource usage. The architecture of YOLOv8n incorporates the CSPDarknet backbone, integrating gradient shunting techniques and cross-layer connections from YOLOv7. Additionally, the introduction of the C2f residual module reduces the model’s parameter count while enhancing feature extraction efficiency.
The architecture also utilizes a PANet structure, which enhances information transfer through a bottom-up path mechanism, facilitating multi-scale contextual feature fusion. Notably, YOLOv8 implements an Anchor-free matching mechanism and employs various loss functions, including Binary Cross Entropy Loss (BCE) for classification and Distributed Focus Loss (DFL) along with CloU loss for detection, thereby improving classification and localization precision. The study specifically adopts the YOLOv8n version as the baseline model for detecting maize leaf disease, prioritizing detection speed alongside improved performance outcomes.
Results
The results section of the study evaluates the performance of the YOLO Mural algorithm for damage detection in grotto murals, focusing on lightweight design, precision, and real-time detection capabilities. Key metrics for evaluation include the number of parameters, floating-point operations (Flops), network layers, model storage size, and training times for lightweight performance. Precision is assessed using Precision (P), Recall (R), mean average precision (mAP), and F1 score, while real-time performance is measured in frames per second (fps). The study also introduces mAP@0.5 and mAP@0.5:0.95 to provide a nuanced understanding of model performance across varying Intersection over Union (IoU) thresholds, as well as average precision for small, medium, and large targets.
The analysis reveals that the YOLO MSM algorithm exhibits faster convergence and lower loss values compared to the YOLOv8n algorithm, achieving a final convergence value of 1.5225, down from 1.7391. The R-P curve analysis indicates that YOLO MSM has a significantly larger area under the curve, demonstrating higher Average Precision. In terms of real-time detection, YOLO MSM achieves a speed of 279.56 fps, outperforming other models. Visualization results show that YOLO MSM effectively reduces missed and false detections, particularly in complex scenarios with overlapping leaf diseases. The model’s integration of an attention mechanism enhances its ability to accurately monitor maize leaf disease in dynamic agricultural environments, making it suitable for real-time applications.
Discussion
In this section, the research discusses the methodology for data acquisition and preparation, the innovative MKConv structure, the C2f-SK attention mechanism, and the MPDIoU loss function optimization, culminating in the development of the YOLO MSM algorithm for real-time detection of maize leaf disease. The data collection was conducted in Ruhu Town, Guangdong Province, China, over 13 days, resulting in a diverse dataset of 14,700 high-quality images annotated for training, validation, and testing. The MKConv method enhances traditional convolution by allowing for multi-scale, adaptive sampling, which improves feature extraction efficiency, particularly for complex spatial relationships in images.
The introduction of the C2f-SK attention mechanism further refines detection precision by dynamically adjusting the receptive field size based on input features, effectively capturing target objects at varying scales. Additionally, the MPDIoU loss function optimizes bounding box regression by minimizing the distance between predicted and actual bounding boxes, enhancing model convergence and localization accuracy. The YOLO MSM algorithm, which integrates these advancements, demonstrates superior performance in detecting maize leaf diseases, achieving a detection precision of 90.11% and improving upon existing models in both precision and recall, thereby establishing a robust framework for intelligent agricultural applications.