DOI: https://doi.org/10.1038/s41598-025-92646-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40050403
تاريخ النشر: 2025-03-06
المؤلف: Sujith Vijayan وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث نهج شبكة عصبية تلافيفية (CNN) هجينة محسّنة للتنبؤ بأمراض محصول الأرز، بهدف تعزيز دقة الكشف ومعالجة التحديات مثل الكفاءة الحسابية والتعميم. تستخدم الدراسة خوارزمية تحسين الحيتان الهجينة وخوارزمية تحسين سرب الجسيمات التكيفية (WOA_APSO) لتحسين استخراج الميزات واختيارها، مما يسهل الكشف المبكر والتشخيص لأمراض المحاصيل. تُظهر الطريقة المقترحة أداءً متفوقًا، حيث تحقق دقة تصل إلى 97.5% مع الحفاظ على الجدوى الحسابية، كما يتضح من تقليل وقت الحساب إلى 95 ثانية مقارنة بالطرق التقليدية.
تشير النتائج إلى أن دمج تقنيات معالجة الصور المتقدمة مع خوارزمية WOA_APSO يعزز بشكل كبير من قوة اختيار الميزات والتصنيف، حتى مع مجموعات بيانات محدودة. لا تدعم هذه الطريقة فقط المراقبة الآلية للأمراض لمزارعي الأرز، بل تضع أيضًا الأساس لطرق البحث المستقبلية، بما في ذلك التنفيذ في الوقت الحقيقي المرتبط بأجهزة إنترنت الأشياء، والتعلم الانتقالي لتكييف النموذج مع أمراض المحاصيل المختلفة، ودمج البيانات متعددة الأنماط لتحسين دقة التنبؤ من خلال مصادر بيانات إضافية مثل أنماط الطقس وصحة التربة.
النتائج
في هذا القسم، يتم تقييم فعالية خوارزمية تحسين الحيتان الهجينة وخوارزمية تحسين سرب الجسيمات التكيفية (WOA_APSO) باستخدام مجموعة بيانات تحتوي على 2096 صورة لمحصول الأرز مصنفة إلى أربع فئات. تشير النتائج إلى أن خوارزمية WOA_APSO تحقق قيمة عتبة مثالية تبلغ 1.16، متفوقة على خوارزميات WOA وAPSO الفردية، التي وصلت إلى قيم عتبة تبلغ 2.09 و1.9، على التوالي. وهذا يُظهر أن خوارزمية WOA_APSO، بتصميمها المستوحى من الطبيعة، تعمل على تحسين مجموعات الميزات لاسترجاع المعلومات بدقة.
بالإضافة إلى ذلك، يتم تقديم تحليل أداء مقارن لمختلف تقنيات التصنيف في الجدول 8، بينما توضح الشكل 9 مقاييس الأداء لتحديد أمراض محصول الأرز عبر خوارزميات مختلفة. تشمل مقاييس التقييم المستخدمة لتقييم فعالية النموذج الدقة والحساسية والخصوصية، كما هو محدد في المعادلات (18)، (19)، و(20). تؤكد هذه النتائج على إمكانيات خوارزمية WOA_APSO في تعزيز تصنيف أمراض محصول الأرز.
المناقشة
في هذا القسم، يناقش المؤلفون الدوافع والمساهمات لبحثهم، الذي يركز على تطوير خوارزمية تحسين هجينة، WOA_APSO، تجمع بين خوارزمية تحسين الحيتان (WOA) وخوارزمية تحسين سرب الجسيمات التكيفية (APSO) لاختيار الميزات في تحديد أمراض المحاصيل. تقدم الدراسة تقنية تقسيم ذكية لاكتشاف المناطق غير الصحية في صور أوراق المحاصيل وتستخدم شبكة عصبية تلافيفية (CNN) للتصنيف. يتم تقييم فعالية النموذج المقترح من خلال محاكاة الكمبيوتر، مقارنة أدائه ضد طرق التصنيف المتطورة باستخدام مقاييس مثل الدقة والحساسية والخصوصية، بالإضافة إلى تقييم التكاليف الحسابية المرتبطة بالتقارب.
يبرز المؤلفون التقدم السريع في تشخيص أمراض المحاصيل من خلال الذكاء الحسابي، مؤكدين على أهمية الكشف المبكر لتحسين إنتاجية المحاصيل. يشيرون إلى أنه بينما تعتبر CNNs فعالة في تصنيف الصور، إلا أنها تواجه تحديات مثل الإفراط في التكيف على مجموعات البيانات الصغيرة والطلبات الحسابية العالية. تحدد الورقة الفجوات في تقنيات التقسيم واستخراج الميزات الحالية، داعية إلى طرق أكثر كفاءة يمكن أن تعمل في الوقت الحقيقي تحت ظروف بيئية متغيرة. تهدف خوارزمية WOA_APSO المقترحة إلى تعزيز اختيار الميزات وتحسين الأداء العام لمصنفات CNN في سياق الكشف عن أمراض محصول الأرز، معالجةً القيود التي تواجه المنهجيات الحالية.
DOI: https://doi.org/10.1038/s41598-025-92646-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40050403
Publication Date: 2025-03-06
Author(s): Sujith Vijayan et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents a hybrid feature optimized Convolutional Neural Network (CNN) approach for predicting rice crop diseases, aiming to enhance detection accuracy and address challenges such as computational efficiency and generalization. The study employs a hybrid Whale Optimization Algorithm and Adaptive Particle Swarm Optimization (WOA_APSO) to improve feature extraction and selection, facilitating early detection and diagnosis of crop diseases. The proposed method demonstrates superior performance, achieving an accuracy of 97.5% while maintaining computational feasibility, as evidenced by a reduced computation time of 95 seconds compared to traditional methods.
The findings indicate that the integration of advanced image processing techniques with the WOA_APSO algorithm significantly enhances the robustness of feature selection and classification, even with limited datasets. This approach not only supports automated disease monitoring for rice farmers but also lays the groundwork for future research avenues, including real-time implementation linked to IoT devices, transfer learning for adapting the model to various crop diseases, and multimodal data integration to further improve prediction accuracy through additional data sources like weather patterns and soil health.
Results
In this section, the effectiveness of the proposed hybrid Whale Optimization Algorithm and Adaptive Particle Swarm Optimization (WOA_APSO) is evaluated using a dataset of 2096 rice crop images categorized into four classes. The results indicate that the WOA_APSO algorithm achieves an optimal threshold value of 1.16, outperforming the individual WOA and APSO algorithms, which reached threshold values of 2.09 and 1.9, respectively. This demonstrates that the WOA_APSO algorithm, with its bio-inspired design, effectively optimizes feature subsets for accurate information retrieval.
Additionally, a comparative performance analysis of various classification techniques is presented in Table 8, while Figure 9 illustrates the performance measures for identifying rice crop diseases across different algorithms. The evaluation metrics employed to assess the model’s effectiveness include accuracy, sensitivity, and specificity, as defined in equations (18), (19), and (20). These findings underscore the potential of the WOA_APSO algorithm in enhancing the classification of rice crop diseases.
Discussion
In this section, the authors discuss the motivations and contributions of their research, which focuses on the development of a hybrid optimization algorithm, WOA_APSO, combining the Whale Optimization Algorithm (WOA) and Adaptive Particle Swarm Optimization (APSO) for feature selection in crop disease identification. The study introduces a smart segmentation technique for detecting unhealthy areas in crop leaf images and employs a Convolutional Neural Network (CNN) for classification. The effectiveness of the proposed model is evaluated through computer simulations, comparing its performance against state-of-the-art classification methods using metrics such as accuracy, sensitivity, and specificity, as well as assessing computational costs associated with convergence.
The authors highlight the rapid advancements in crop disease diagnosis through computational intelligence, emphasizing the importance of early detection for improving crop yield. They note that while CNNs are effective for image classification, they face challenges such as overfitting on small datasets and high computational demands. The paper identifies gaps in existing segmentation and feature extraction techniques, advocating for more efficient methods that can operate in real-time under varying environmental conditions. The proposed WOA_APSO algorithm aims to enhance feature selection and improve the overall performance of CNN classifiers in the context of rice crop disease detection, addressing the limitations of current methodologies.