DOI: https://doi.org/10.48084/etasr.9017
تاريخ النشر: 2025-02-02
المؤلف: Bh. Prashanthi وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تتناول هذه الدراسة الحاجة الملحة إلى حلول زراعية مبتكرة للكشف عن الأمراض الورقية وتصنيفها مبكرًا عبر أنواع المحاصيل المختلفة والبيئات. تقارن بين منهجيات التعلم العميق، وبالتحديد الشبكات العصبية التلافيفية (CNNs) ومحولات الرؤية (VTs)، من حيث فعاليتها في تحديد الأمراض الورقية مبكرًا. تسلط الأبحاث الضوء على أداء نموذج CNN المحسن، الذي يستخدم بنية ResNet50، والذي حقق دقة ملحوظة بلغت 99.58% في تصنيف الأمراض الورقية. بالمقابل، حقق نموذج LEViT، القائم على VTs وي incorporat آليات الانتباه الذاتي بالإضافة إلى الذكاء الاصطناعي القابل للتفسير (XAI)، دقة بلغت 95.22%. بينما تتفوق CNNs في دقة التصنيف، توفر VTs قابلية تفسير محسنة ومرونة، مما يجعلها مناسبة للزراعة الدقيقة.
تشير النتائج إلى أن الجمع بين CNNs وVTs يستفيد من نقاط القوة في كلا النهجين، حيث توفر CNNs دقة عالية وتعمل VTs على تعزيز الشفافية في عمليات اتخاذ القرار. يسمح استخدام تقنيات XAI، مثل Grad-CAM، بتصور المناطق الحرجة في صور الأوراق التي تؤثر على توقعات النموذج، مما يعزز الثقة في الحلول الزراعية المدفوعة بالذكاء الاصطناعي. تختتم الدراسة بأن النماذج المتقدمة، بما في ذلك ETPLDNet وLEViT، تتفوق بشكل كبير على النماذج التقليدية مثل VGG-16 وInceptionV3، التي حققت دقة أقل بلغت 87.99% و91.84% على التوالي، بينما تفتقر إلى القابلية للتفسير. تشمل اتجاهات البحث المستقبلية استكشاف التعلم بالنقل باستخدام XAI عبر مجموعات بيانات متنوعة وتوظيف التعلم الجماعي لتعزيز أداء النموذج وشفافيته بشكل أكبر.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم للزراعة في الناتج المحلي الإجمالي الوطني والأمن الغذائي، مع التأكيد على التأثير الكبير للأمراض الزراعية على الإنتاجية. تعتبر الأوراق، كونها الجزء الأكثر حساسية في النباتات، غالبًا ما تظهر علامات مبكرة على المرض، مما يتطلب إدارة فعالة للمحاصيل طوال دورة حياتها. التحديات في تشخيص وإدارة الأمراض الزراعية، مثل المساحات الكبيرة من الأراضي، والأمراض المتعددة التي تؤثر على ورقة واحدة، ونقص الخبرة الزراعية في المناطق النائية، تؤكد على الحاجة الملحة لتحسين طرق الكشف عن الأمراض. تركز الدراسة على الاستفادة من تقنيات التعلم العميق المتقدمة، وخاصة محولات الرؤية (VTs) والتعلم بالنقل، لتعزيز دقة تصنيف الأمراض الورقية، وبالتالي المساهمة في الإنتاجية الزراعية والأمن الغذائي.
تناقش الورقة مزايا التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs) وVTs، في الكشف عن وتصنيف الأمراض الورقية الناتجة عن عوامل مختلفة. تُلاحظ CNNs لقدرتها على استخراج الميزات تلقائيًا من الصور، مما يجعلها فعالة في الكشف المبكر عن الأمراض. ومع ذلك، يُقترح دمج VTs لمعالجة قضايا الشفافية المرتبطة بـ CNNs، حيث توفر VTs قابلية تفسير محسنة من خلال آليات الانتباه الذاتي. تتناول الدراسة أيضًا التحديات مثل اختلافات أعراض الأمراض والعوامل البيئية من خلال استخدام تحسين البيانات وضبط المعلمات الديناميكية. حقق النموذج المقترح، ETPLDNet، الذي يجمع بين ResNet50 وتقنيات الإسقاط وGrad-CAM من أجل القابلية للتفسير، معدلات دقة مثيرة للإعجاب عبر فئات الأمراض وأنواع النباتات المتعددة، مما يظهر إمكانات هذه الأساليب في التعلم العميق لتعزيز تشخيص الأمراض الورقية ودعم التقدم الزراعي في النهاية.
الطرق
في هذا القسم، يناقش المؤلفون المنهجيات المستخدمة في التعرف على أوراق النباتات، مع التركيز على أدوار التعلم العميق، والتعلم بالنقل، ومحولات الرؤية (ViTs). بينما تم بحث هذه التقنيات بشكل مكثف، إلا أنها عرضة للأخطاء في التشخيص الناتجة عن اختلافات في أنواع الأوراق والظروف البيئية، لا سيما في المناطق الريفية. تُبرز الشبكات العصبية التلافيفية (CNNs) كأدوات فعالة للتعرف القائم على الصور؛ ومع ذلك، غالبًا ما تعيق أدائها قيود مجموعات البيانات الصغيرة والمتنوعة.
يقترح المؤلفون طريقة لتقييم نماذج التعلم العميق مصممة خصيصًا لتشخيص وتصنيف الأمراض الورقية، كما هو موضح في الشكل 1. تهدف هذه الطريقة إلى معالجة التحديات التي تطرحها الاختلافات المذكورة وقيود مجموعات البيانات، وبالتالي تعزيز دقة وموثوقية أنظمة التعرف على أوراق النباتات.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التقدم في الكشف عن الأمراض النباتية من خلال نماذج التعلم العميق، مع التركيز بشكل خاص على بنية ETPLDNet وLEViT. تعزز تقنيات المعالجة المسبقة والتعزيز المطبقة على مجموعة بيانات الأمراض النباتية الجديدة استخراج الميزات ودقة التصنيف بشكل كبير، حيث حقق نموذج CNN المحسن دقة ملحوظة بلغت 99.02%. أظهر نموذج ETPLDNet، الذي يدمج بنية ResNet50 المعدلة، دقة تدريب بلغت 92.53% ودقة متعددة الفئات بلغت 97.33%، متفوقًا على النماذج التقليدية مثل VGG-16 وInceptionV3. حقق نموذج LEViT، الذي يستفيد من بنية محول الرؤية، دقة تدريب بلغت 95.22%، مما يظهر أدائه المتفوق في تصنيف الأمراض الورقية مقارنة بالنماذج الأخرى.
بالإضافة إلى ذلك، يتم التأكيد على استخدام تحليل مستوى الخطأ (ELA) وGrad-CAM من أجل قابلية تفسير النموذج، مما يسمح بفهم أفضل وتصور لعمليات اتخاذ القرار للنماذج. تشير النتائج إلى أن كل من ETPLDNet وLEViT لا تتفوق فقط في الدقة ولكن أيضًا توفر رؤى قيمة في تصنيف الأمراض الورقية، مما يجعلها مناسبة للتطبيقات الزراعية العملية. تشمل اتجاهات البحث المستقبلية استكشاف التعلم الجماعي وتعزيز الشفافية والتعميم للنموذج عبر مجموعات بيانات متنوعة.
DOI: https://doi.org/10.48084/etasr.9017
Publication Date: 2025-02-02
Author(s): Bh. Prashanthi et al.
Primary Topic: Smart Agriculture and AI
Overview
This study addresses the urgent need for innovative agricultural solutions to detect and classify leaf diseases early across various crop species and environments. It compares deep learning methodologies, specifically Convolutional Neural Networks (CNNs) and Vision Transformers (VTs), for their effectiveness in early leaf disease identification. The research highlights the performance of an optimized CNN model, utilizing the ResNet50 architecture, which achieved a remarkable accuracy of 99.58% in leaf disease classification. In contrast, the LEViT model, based on VTs and incorporating self-attention mechanisms along with Explainable AI (XAI), attained an accuracy of 95.22%. While CNNs excel in classification precision, VTs offer enhanced interpretability and adaptability, making them suitable for precision agriculture.
The findings indicate that the combination of CNNs and VTs leverages the strengths of both approaches, with CNNs providing high accuracy and VTs enhancing transparency in decision-making processes. The use of XAI techniques, such as Grad-CAM, allows for the visualization of critical areas in leaf images that influence model predictions, fostering trust in AI-driven agricultural solutions. The study concludes that the advanced models, including ETPLDNet and LEViT, significantly outperform traditional models like VGG-16 and InceptionV3, which achieved lower accuracies of 87.99% and 91.84%, respectively, while lacking in interpretability. Future research directions include exploring XAI transfer learning across diverse datasets and employing ensemble learning to further enhance model performance and transparency.
Introduction
The introduction of this research paper highlights the critical role of agriculture in national GDP and food security, emphasizing the significant impact of crop diseases on productivity. Leaves, being the most sensitive part of plants, often exhibit early signs of disease, necessitating effective crop management throughout their lifecycle. The challenges in diagnosing and managing agricultural diseases, such as large land areas, multiple diseases affecting a single leaf, and limited agricultural expertise in remote regions, underscore the urgency for improved disease detection methods. The study focuses on leveraging advanced deep learning techniques, particularly Vision Transformers (VTs) and transfer learning, to enhance the accuracy of leaf disease classification, thereby contributing to agricultural productivity and food security.
The paper discusses the advantages of deep learning, especially Convolutional Neural Networks (CNNs) and VTs, in detecting and classifying leaf diseases caused by various factors. CNNs are noted for their ability to automatically extract features from images, making them effective for early disease detection. However, the integration of VTs is proposed to address the transparency issues associated with CNNs, as VTs offer improved interpretability through self-attention mechanisms. The study also addresses challenges such as variations in disease symptoms and environmental factors by employing data augmentation and dynamic hyperparameter tuning. The proposed model, ETPLDNet, which combines ResNet50 with dropout techniques and Grad-CAM for interpretability, achieved impressive accuracy rates across multiple disease classes and plant types, demonstrating the potential of these deep learning approaches to enhance leaf disease diagnosis and ultimately support agricultural advancements.
Methods
In this section, the authors discuss the methodologies employed for plant leaf recognition, emphasizing the roles of deep learning, transfer learning, and Vision Transformers (ViTs). While these techniques have been extensively researched, they are prone to misdiagnoses stemming from variations in leaf types and environmental conditions, particularly in rural settings. Convolutional Neural Networks (CNNs) are highlighted as effective tools for image-based recognition; however, their performance is often hindered by the limitations of small and diverse datasets.
The authors propose a method for evaluating deep learning models specifically tailored for leaf disease diagnosis and classification, as illustrated in Figure 1. This method aims to address the challenges posed by the aforementioned variations and dataset constraints, thereby enhancing the accuracy and reliability of plant leaf recognition systems.
Discussion
The discussion section of the research paper highlights the advancements in plant disease detection through deep learning models, particularly focusing on the ETPLDNet and LEViT architectures. The preprocessing and augmentation techniques applied to the New Plant Disease Dataset significantly enhance feature extraction and classification accuracy, with the optimized CNN model achieving a remarkable 99.02% accuracy. The ETPLDNet model, which integrates a modified ResNet50 architecture, demonstrated a training accuracy of 92.53% and a multiclass accuracy of 97.33%, outperforming traditional models like VGG-16 and InceptionV3. The LEViT model, leveraging vision transformer architecture, achieved a training accuracy of 95.22%, showcasing its superior performance in leaf disease classification compared to other models.
Additionally, the use of Error Level Analysis (ELA) and Grad-CAM for model interpretability is emphasized, allowing for better understanding and visualization of the models’ decision-making processes. The findings indicate that both ETPLDNet and LEViT not only excel in accuracy but also provide valuable insights into the classification of leaf diseases, making them suitable for practical agricultural applications. Future research directions include exploring ensemble learning and further enhancing model transparency and generalization across diverse datasets.