DOI: https://doi.org/10.3389/frai.2025.1668839
PMID: https://pubmed.ncbi.nlm.nih.gov/41602306
تاريخ النشر: 2026-01-12
المؤلف: G. Bhavani وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث PotatoLeafNet، وهو إطار عمل للتعلم العميق من مرحلتين مصمم للكشف والتصنيف الموثوق لأمراض أوراق البطاطس، وخاصة العفن المبكر والعفن المتأخر. يدمج الإطار خط أنابيب ثابت لتكبير الصور مع شبكة عصبية تلافيفية (CNN) مدمجة مكونة من 11 طبقة تستخدم نوى 3 × 3. تم تدريبها على مجموعة بيانات تحتوي على 4,072 صورة ورقة بطاطس مصنفة، تم تكبيرها إلى 6,000 صورة، حقق PotatoLeafNet مقاييس أداء مثيرة للإعجاب على مجموعة اختبار PlantVillage-Potato، بما في ذلك دقة 98.52%، واسترجاع ماكرو 99.67%، و AUC ماكرو قدره 1.00، متفوقًا على العديد من المعايير المعروفة لشبكات CNN.
تشير النتائج إلى أن الجمع بين التكبير التسلسلي وهندسة CNN خفيفة الوزن لا يعزز فقط دقة التصنيف ولكن أيضًا يحسن التعميم مع الحفاظ على الكفاءة الحاسوبية. على الرغم من هذه القوة، يعترف المؤلفون بالقيود المتعلقة بالأداء على الصور المنسقة والحاجة إلى مزيد من التقييم لمقاييس الفئات وشرح النتائج. تهدف الأعمال المستقبلية إلى معالجة هذه الفجوات من خلال دمج مجموعات بيانات متنوعة تم الحصول عليها من الميدان، وتعزيز التعميم في المجال، وتطوير أداة دعم قرار قابلة للنشر لتطبيقات الزراعة في العالم الحقيقي.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية البطاطس (Solanum tuberosum) كأحد المحاصيل الأساسية الهامة، بينما تتناول أيضًا التحديات التي تطرحها الأمراض الورقية مثل العفن المبكر والعفن المتأخر، والتي يمكن أن تؤدي إلى خسائر اقتصادية كبيرة وتهدد الأمن الغذائي. تتطلب الطرق التقليدية لتشخيص الأمراض جهدًا كبيرًا وتكون ذات طابع شخصي، مما يستدعي تطوير أنظمة آلية للكشف الفعال والدقيق عن الأمراض. ظهرت الشبكات العصبية التلافيفية (CNNs) كأدوات قوية للتعرف على الصور، ومع ذلك، لا يزال تصنيف أمراض أوراق البطاطس معقدًا بسبب تباين الأعراض والظروف البيئية والقيود في مجموعات البيانات الحالية.
لتجاوز هذه التحديات، يقترح المؤلفون PotatoLeafNet، وهو إطار عمل CNN من مرحلتين مصمم للكشف والتصنيف عن أمراض أوراق البطاطس. تستخدم المرحلة الأولى تقنيات تكبير الصور المتقدمة لتعزيز مجموعة بيانات التدريب، مما يحاكي التباين في العالم الحقيقي ويحسن من قوة النموذج. تتميز المرحلة الثانية بهندسة CNN خفيفة الوزن تم تحسينها لاستخراج الميزات ذات الصلة من أوراق البطاطس، مما ينتج في النهاية احتمالات مصنفة للفئات الصحية، والعفن المبكر، والعفن المتأخر. تشمل تقييمات PotatoLeafNet مقاييس أداء شاملة ومقارنات مع النماذج الحالية، مما يوضح فعاليتها في تحقيق دقة عالية وكفاءة حاسوبية في التطبيقات الواقعية. تسهم الدراسة بشكل كبير في هذا المجال من خلال تقديم هندسة جديدة تدمج استراتيجيات تكبير البيانات المتطورة، مما يعزز قدرات الكشف عن الأمراض في بيئات زراعية متنوعة.
النتائج
تم اشتقاق نتائج الدراسة من تجارب أجريت باستخدام Python مع TensorFlow و Keras، مع التركيز على تحسين هدف الانتروبيا المتقاطعة الفئوية من خلال مُحسِّن آدم وجدول معدل التعلم. تشمل الموارد الحاسوبية المستخدمة خادمًا مزودًا ببطاقة NVIDIA P100 GPU، ومعالج Intel i5، وذاكرة RAM سعة 8 جيجابايت. كان الهدف من التقييم تحقيق أربعة أهداف رئيسية: (1) تصنيف صور أوراق البطاطس بشكل فعال إلى ثلاث فئات – العفن المبكر، والعفن المتأخر، والصحي؛ (2) تقييم تأثير خط أنابيب ثابت لتكبير الصور على أداء نموذج PotatoLeafNet؛ (3) مقارنة PotatoLeafNet مع المعايير الحالية لشبكات CNN؛ و (4) وضع النتائج التجريبية في سياق الأبحاث السابقة في التعلم العميق التي تركز على تحديد أمراض أوراق البطاطس.
تشير النتائج إلى أن تنفيذ خط أنابيب تكبير الصور قد عزز بشكل كبير دقة تصنيف النموذج. بالإضافة إلى ذلك، أظهر PotatoLeafNet أداءً متفوقًا مقارنة بالنماذج التلافيفية المعاصرة، مما يساهم في تقديم رؤى قيمة حول فعالية تقنيات التعلم العميق في الكشف عن الأمراض الزراعية. لا تؤكد هذه النتائج فقط على إمكانيات التعلم العميق في هذا المجال ولكنها توفر أيضًا أساسًا مقارنًا للدراسات المستقبلية التي تهدف إلى تحسين تحديد الأمراض في المحاصيل.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التحديات الكبيرة التي تطرحها الأمراض الورقية في المحاصيل، وخاصة البطاطس، والتي يمكن أن تؤثر بشكل كبير على الغلة والجودة. تؤدي مسببات الأمراض المختلفة، بما في ذلك الفطريات والبكتيريا والفيروسات، إلى مجموعة من الأعراض مثل تغير اللون، والذبول، وسقوط الأوراق. يؤكد البحث على أهمية الكشف المبكر وتصنيف هذه الأمراض، والتي يمكن تحقيقها من خلال الطرق التقليدية والتقنيات الحديثة مثل التعلم الآلي ورؤية الكمبيوتر. أظهرت التقدمات الأخيرة في الكشف الآلي باستخدام التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، نتائج واعدة، حيث أفادت دراسات مختلفة بمعدلات دقة عالية في تحديد أمراض أوراق البطاطس.
تشير مراجعة الأدبيات إلى وجود مجموعة متزايدة من الأعمال التي تركز على تعزيز الكشف عن أمراض أوراق البطاطس من خلال منهجيات التعلم العميق. طورت عدة دراسات هياكل CNN مبتكرة واستخدمت تقنيات تكبير البيانات لتحسين أداء النموذج. على سبيل المثال، حققت نماذج مثل CBSNet و PotConvNet دقة تتجاوز 92%، بينما استخدمت نماذج أخرى التعلم الانتقالي واستخراج الميزات لتعزيز قدرات التصنيف. يهدف نموذج PotatoLeafNet المقترح إلى معالجة التحديات الحالية في التعرف على الأمراض من خلال الاستفادة من نهج التعلم العميق من مرحلتين، والذي يدمج تكبير الصور التسلسلي لتحسين قوة ودقة تصنيف الأمراض. يؤكد البحث على ضرورة وجود مجموعات بيانات شاملة ومنهجيات متقدمة لتسهيل إدارة فعالة للأمراض في الممارسات الزراعية.
DOI: https://doi.org/10.3389/frai.2025.1668839
PMID: https://pubmed.ncbi.nlm.nih.gov/41602306
Publication Date: 2026-01-12
Author(s): G. Bhavani et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents PotatoLeafNet, a two-stage deep learning framework designed for the reliable detection and classification of potato foliar diseases, specifically early and late blight. The framework integrates a fixed-sequence image-augmentation pipeline with a compact 11-layer convolutional neural network (CNN) utilizing 3 × 3 kernels. Trained on a dataset of 4,072 labeled potato leaf images, augmented to 6,000 images, PotatoLeafNet achieved impressive performance metrics on the PlantVillage-Potato test set, including 98.52% accuracy, 99.67% macro-recall, and a macro-AUC of 1.00, outperforming several established CNN baselines.
The findings indicate that the combination of sequential augmentation and a lightweight CNN architecture not only enhances classification accuracy but also improves generalization while maintaining computational efficiency. Despite these strengths, the authors acknowledge limitations related to performance on curated images and the need for further evaluation of class-wise metrics and explainability. Future work aims to address these gaps by incorporating diverse field-acquired datasets, enhancing domain generalization, and developing a deployable decision-support tool for real-world agronomic applications.
Introduction
The introduction of the research paper highlights the significance of the potato (Solanum tuberosum) as a crucial staple crop, while also addressing the challenges posed by foliar diseases such as early blight and late blight, which can lead to severe economic losses and threaten food security. Traditional methods of disease diagnosis are labor-intensive and subjective, necessitating the development of automated systems for efficient and accurate disease detection. Convolutional neural networks (CNNs) have emerged as powerful tools for image recognition, yet the classification of potato leaf diseases remains complex due to variability in symptoms, environmental conditions, and limitations in existing datasets.
To overcome these challenges, the authors propose PotatoLeafNet, a two-stage CNN framework designed for the detection and classification of potato leaf diseases. The first stage employs advanced image augmentation techniques to enhance the training dataset, simulating real-world variability and improving model robustness. The second stage features a lightweight CNN architecture optimized for extracting relevant features from potato leaves, ultimately producing calibrated class probabilities for healthy leaves, early blight, and late blight. The evaluation of PotatoLeafNet includes comprehensive performance metrics and comparisons with existing models, demonstrating its effectiveness in achieving high accuracy and computational efficiency in real-world applications. The study contributes significantly to the field by introducing a novel architecture that integrates sophisticated data augmentation strategies, thereby enhancing disease detection capabilities in diverse agricultural settings.
Results
The results of the study were derived from experiments conducted using Python with TensorFlow and Keras, focusing on optimizing a categorical cross-entropy objective through the Adam optimizer and a learning-rate schedule. The computational resources utilized included a server with an NVIDIA P100 GPU, an Intel i5 CPU, and 8 GB of RAM. The evaluation aimed to achieve four primary objectives: (1) effectively tri-classifying potato leaf images into three categories—Early Blight, Late Blight, and Healthy; (2) assessing the impact of a fixed sequential image-augmentation pipeline on the performance of the PotatoLeafNet model; (3) benchmarking PotatoLeafNet against existing convolutional neural network baselines; and (4) contextualizing the empirical results within the framework of previous deep-learning research focused on potato leaf disease identification.
The findings indicate that the implementation of the image-augmentation pipeline significantly enhanced the model’s classification accuracy. Additionally, PotatoLeafNet demonstrated superior performance compared to contemporary convolutional models, thereby contributing valuable insights into the efficacy of deep learning techniques in agricultural disease detection. These results not only affirm the potential of deep learning in this domain but also provide a comparative basis for future studies aimed at improving disease identification in crops.
Discussion
The discussion section of the research paper highlights the significant challenges posed by leaf diseases in crops, particularly potatoes, which can severely impact yield and quality. Various pathogens, including fungi, bacteria, and viruses, lead to a range of symptoms such as discoloration, wilting, and defoliation. The paper emphasizes the importance of early detection and classification of these diseases, which can be achieved through traditional methods and modern techniques like machine learning and computer vision. Recent advancements in automated detection using deep learning, particularly Convolutional Neural Networks (CNNs), have shown promising results, with various studies reporting high accuracy rates in identifying potato leaf diseases.
The literature review indicates a growing body of work focused on enhancing potato leaf disease detection through deep learning methodologies. Several studies have developed innovative CNN architectures and employed data augmentation techniques to improve model performance. For instance, models like CBSNet and PotConvNet have achieved accuracies exceeding 92%, while others have utilized transfer learning and feature extraction to enhance classification capabilities. The proposed PotatoLeafNet model aims to address existing challenges in disease recognition by leveraging a two-stage deep learning approach, which incorporates sequential image augmentation to improve the robustness and accuracy of disease classification. The paper underscores the necessity for comprehensive datasets and advanced methodologies to facilitate effective disease management in agricultural practices.