DOI: https://doi.org/10.1038/s41598-024-82857-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39890849
تاريخ النشر: 2025-01-31
المؤلف: Wasswa Shafik وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تسلط الأبحاث الضوء على الدور الحاسم للنباتات في النظم البيئية والتحديات التي تطرحها آفات النباتات والأمراض، خاصة من حيث اكتشافها المبكر. غالبًا ما تكون التشخيصات التقليدية في المختبر مكلفة وتستغرق وقتًا طويلاً، مما يؤدي إلى زيادة ضغط النباتات وتهديدات الأمن الغذائي. لمعالجة هذه القضايا، تقدم الدراسة نموذج شبكة عصبية تلافيفية هجينة جديدة (IX-CNN) مصممة لاكتشاف وتصنيف أمراض النباتات بكفاءة. يدمج هذا النموذج طبقات تلافيفية وعمق قابلة للفصل لتعزيز استخراج الميزات مع تقليل التعقيد والتكيف الزائد. يتم تنفيذ IX-CNN في تطبيق ذكاء اصطناعي في الوقت الحقيقي متوافق مع MATLAB وAndroid وServlet، مستفيدًا من تقنيات التعلم الآلي ورؤية الكمبيوتر.
أظهرت تقييمات أداء نموذج IX-CNN عبر ستة مجموعات بيانات، بما في ذلك PlantVillage وTurkey Disease، معدلات دقة مثيرة للإعجاب، حيث حققت بعض مجموعات البيانات دقة 100%. كما اختبرت الدراسة مصنفات مختلفة، مثل آلات الدعم الشعاعي (SVM) وأشجار القرار (DT) والغابات العشوائية (RF)، مما أظهر مقاييس أداء قوية عبر اللوحة. تشير النتائج إلى أن التطبيق المطور يمكن أن يساعد المزارعين بشكل كبير في تحديد أمراض الأوراق، مما يحسن إنتاج المحاصيل ويمنع انتشار الأمراض. تهدف الأبحاث المستقبلية إلى توسيع قابلية تطبيق النموذج على مجموعة أوسع من أمراض النباتات وتعزيز التطبيق بميزات إضافية.
مقدمة
ت outlines مقدمة ورقة البحث الإطار النظري و مراحل التصميم لنموذج التعلم العميق (DL) الذي يهدف إلى اكتشاف أمراض النباتات. يصنف هيكل النموذج إلى طبقات تلافيفية وطبقات متصلة بالكامل، مع التأكيد على دور الحشو في الطبقات التلافيفية لتعزيز استخراج الميزات ودقة تحليل الصور. يحدد القسم المكونات الرئيسية للنموذج المقترح، مع التركيز بشكل خاص على برنامج التعرف القائم على MATLAB الضروري لمعالجة مشكلة اكتشاف وتصنيف أمراض النباتات (PDDC).
تم هيكلة التصميم في مرحلتين. تتضمن المرحلة الأولى خطوات حاسمة مثل اكتساب الصور من الأجهزة الذكية، وتقليل البكسل لمعالجة مثالية، وتقسيم الأوراق باستخدام خوارزمية التوقع-التعظيم (EM). تشمل هذه المرحلة أيضًا معالجة ما بعد الصورة للاحتفاظ بالميزات المهمة مع القضاء على المناطق غير ذات الصلة، تليها تقسيم الأمراض واستخراج الميزات لإنشاء مصفوفة ميزات التدريب. تركز المرحلة الثانية على تدريب مصفوفة الميزات، وتقييم أداء النموذج، والتعرف على أمراض النباتات من خلال مصنف. بالإضافة إلى ذلك، يناقش تطوير تطبيق Android الذي يسمح للمستخدمين بالتقاط أو اختيار الصور وإرسالها إلى خادم، حيث يقوم Servlet بمعالجة الصور باستخدام برنامج MATLAB.
طرق
ي outlines قسم المنهجية تطوير هيكل شبكة عصبية تلافيفية جديدة (CNN) تدمج التلافيف التلافيفية والفصل العمقي. يهدف هذا النموذج الهجين إلى التخفيف من التكيف الزائد وتقليل التعقيد الحسابي، مما يجعله مناسبًا للتطبيقات المحمولة في مهام الرؤية. تم هيكلة الهيكل في ثلاث مراحل: الدخول، الوسط، والخروج. تستخدم مرحلة الدخول ثلاث طبقات تلافيفية بأحجام مرشحات مختلفة (5 × 5، 3 × 3، و1 × 1)، مما يزيد تدريجيًا من عمق المرشحات لتعزيز استخراج الميزات. تستخدم المرحلة الوسطى، التي تتكرر مرتين، التلافيف القابلة للفصل عمقيًا وتطبيع الدفعات، بينما تحافظ مرحلة الخروج على عمق مرشح ثابت. يتكون مخرج النموذج من طبقات كثيفة مع وظيفة تصنيف softmax، مصممة لعدد الفئات في مجموعة البيانات.
يناقش القسم أيضًا آثار زيادة معلمات النموذج، مشيرًا إلى أنه بينما يمكن أن يعزز ذلك القوة ودقة التدريب، فإنه يزيد أيضًا من خطر التكيف الزائد. لمواجهة ذلك، يُوصى بتقنيات التنظيم مثل تآكل الوزن أو الانسحاب. يتم تكملة تصميم الهيكل بتطبيق Android سهل الاستخدام يسمح للمستخدمين بتحميل الصور لاكتشاف الأمراض، يسهل ذلك خادم Servlet بلغة Java الذي يعالج الصور ويتواصل بالنتائج مرة أخرى إلى العميل. يلعب نموذج MATLAB دورًا حاسمًا في تشخيص أمراض النباتات المحددة، مما يمثل الجانب الأكثر تعقيدًا في التطبيق.
نتائج
يقدم قسم النتائج تفاصيل النتائج التجريبية المتعلقة بنموذج IX-CNN وتنفيذه. يوفر تحليلًا شاملاً لأداء النموذج، مع تسليط الضوء على المقاييس الرئيسية والنتائج المستمدة من التجارب التي تم إجراؤها. تقدم المناقشات المصاحبة لهذه النتائج رؤى حول آثار النتائج، مقارنة فعالية نموذج IX-CNN مع المعايير والأساليب الحالية. بشكل عام، يبرز هذا القسم قدرات النموذج وإمكانياته في المجالات ذات الصلة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في اكتشاف أمراض النباتات باستخدام تقنيات التعلم الآلي والتعلم العميق، خاصة من خلال تطبيق استراتيجيات قائمة على التجميع على الشبكات المدربة مسبقًا مثل ResNet وAlexNet وVGGNet. من الجدير بالذكر أن دمج آليات الانتباه التكيفية في نماذج مثل شبكة دمج الميزات متعددة المستويات (MFFN) قد أظهر تعزيز القوة وتقليل التصنيف الخاطئ للأمراض التي تؤثر على Elettaria cardamomum. أكدت مراجعة منهجية لـ 160 نهجًا في التعلم الآلي على أهمية ضبط المعلمات الفائقة وحددت التحديات مثل جودة البيانات والمتطلبات الحسابية في اكتشاف أمراض النباتات.
تناقش الورقة أيضًا تنفيذ هياكل متقدمة مثل UNet مع التلافيف المتوسعة لتحسين تقسيم مناطق أمراض النباتات، محققة مقاييس أداء كبيرة مثل معامل Dice المتوسط 0.6785. علاوة على ذلك، أظهر نموذج IX-CNN المقترح دقة استثنائية عبر مجموعات بيانات مختلفة، محققًا دقة 100% على مجموعات بيانات Plant Doc وPlantVillage وTurkey Disease. أشار تقييم الأداء إلى أن نموذج IX-CNN تفوق على المصنفات التقليدية وغيرها من النماذج المدربة مسبقًا، مما يشير إلى فعاليته للتطبيقات في الوقت الحقيقي في إدارة أمراض الزراعة. تؤكد الأبحاث على إمكانية تطوير تطبيقات محمولة سهلة الاستخدام لتسهيل اكتشاف الأمراض المبكر والتدخل، مما يدعم في النهاية المزارعين في تعزيز إنتاج المحاصيل وإدارة صحة النباتات.
DOI: https://doi.org/10.1038/s41598-024-82857-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39890849
Publication Date: 2025-01-31
Author(s): Wasswa Shafik et al.
Primary Topic: Smart Agriculture and AI
Overview
The research highlights the critical role of plants in ecosystems and the challenges posed by plant pests and diseases, particularly in terms of their early detection. Traditional laboratory diagnostics are often costly and time-consuming, leading to increased plant stress and threats to food security. To address these issues, the study introduces a novel hybrid inception-xception convolutional neural network (IX-CNN) model designed for efficient plant disease detection and classification (PDDC). This model integrates inception and depth-separable convolution layers to enhance feature extraction while minimizing complexity and overfitting. The IX-CNN is implemented in a real-time AI application compatible with MATLAB, Android, and Servlet, leveraging machine learning and computer vision techniques.
Performance evaluations of the IX-CNN model across six datasets, including PlantVillage and Turkey Disease, yielded impressive accuracy rates, with some datasets achieving 100% accuracy. The study also tested various classifiers, such as support vector machines (SVM), decision trees (DT), and random forests (RF), demonstrating strong performance metrics across the board. The findings suggest that the developed application can significantly aid farmers in identifying leaf diseases, thereby improving crop production and preventing disease spread. Future research aims to expand the model’s applicability to a broader range of plant diseases and enhance the application with additional features.
Introduction
The introduction of the research paper outlines the theoretical framework and design phases of a deep learning (DL) model aimed at plant disease detection. It categorizes the model’s architecture into convolutional and fully connected layers, emphasizing the role of padding in convolutional layers to enhance feature extraction and image analysis accuracy. The section delineates the main components of the proposed model, particularly focusing on a MATLAB-based recognition program essential for addressing the Plant Disease Detection and Classification (PDDC) problem.
The design is structured in two phases. Phase I involves critical steps such as image acquisition from smart devices, pixel reduction for optimal processing, and leaf segmentation using the Expectation-Maximization (EM) algorithm. This phase also includes post-image processing to retain significant features while eliminating irrelevant regions, followed by disease segmentation and feature extraction to create a training feature matrix. Phase II focuses on training the feature matrix, evaluating model performance, and recognizing plant diseases through a classifier. Additionally, it discusses the development of an Android application that allows users to capture or select images and send them to a server, where a servlet processes the images using the MATLAB program.
Methods
The methodology section outlines the development of a novel convolutional neural network (CNN) architecture that integrates inception and depth-wise separable convolutions. This hybrid model aims to mitigate overfitting and reduce computational complexity, making it suitable for mobile applications in vision tasks. The architecture is structured into three phases: Entry, Middle, and Exit. The Entry phase employs three inception layers with varying filter sizes (5 × 5, 3 × 3, and 1 × 1), progressively increasing the depth of the filters to enhance feature extraction. The Middle phase, which is repeated twice, utilizes depth-wise separable convolutions and batch normalization, while the Exit phase maintains a constant filter depth. The model’s output consists of dense layers with a softmax classification function, tailored to the number of classes in the dataset.
The section also discusses the implications of increasing model parameters, noting that while this can enhance robustness and training accuracy, it also raises the risk of overfitting. To counteract this, regularization techniques such as weight decay or dropout are recommended. The architecture’s design is complemented by a user-friendly Android application that allows users to upload images for disease detection, facilitated by a Java servlet server that processes the images and communicates results back to the client. The MATLAB model plays a critical role in diagnosing the specific plant diseases, representing the most complex aspect of the application.
Results
The results section details the experimental findings related to the IX-CNN model and its implementation. It provides a comprehensive analysis of the model’s performance, highlighting key metrics and outcomes derived from the experiments conducted. The discussions accompanying these results offer insights into the implications of the findings, comparing the IX-CNN model’s effectiveness against existing benchmarks and methodologies. Overall, this section underscores the model’s capabilities and potential applications in relevant fields.
Discussion
The discussion section of the research paper highlights the advancements in plant disease detection using machine learning and deep learning techniques, particularly through the application of ensemble-based strategies on pre-trained networks such as ResNet, AlexNet, and VGGNet. Notably, the integration of adaptive attention mechanisms in models like the multilevel feature fusion network (MFFN) has shown to enhance robustness and reduce misclassification of diseases affecting Elettaria cardamomum. A systematic review of 160 machine learning approaches underscored the importance of hyperparameter tuning and identified challenges such as data quality and computational demands in plant disease detection.
The paper also discusses the implementation of advanced architectures like UNet with dilated convolution for improved segmentation of plant disease regions, achieving significant performance metrics such as a mean Dice coefficient of 0.6785. Furthermore, the proposed IX-CNN model demonstrated exceptional accuracy across various datasets, achieving 100% accuracy on the Plant Doc, PlantVillage, and Turkey Disease datasets. The performance evaluation indicated that the IX-CNN model outperformed traditional classifiers and other pre-trained models, suggesting its effectiveness for real-time applications in agricultural disease management. The research emphasizes the potential for developing user-friendly mobile applications to facilitate early disease detection and intervention, ultimately supporting farmers in enhancing crop yields and managing plant health.