DOI: https://doi.org/10.1038/s41598-025-02271-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40447666
تاريخ النشر: 2025-05-30
المؤلف: Bosubabu Sambana وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تتناول البحث القضية الحرجة لأمراض النباتات، التي تؤثر بشكل كبير على الإنتاجية الزراعية والجودة. الكشف المبكر ضروري للتخفيف من هذه الآثار، وتقدم التقدمات التكنولوجية حلولًا واعدة لأتمتة مراقبة الأمراض. يقدم هذه الدراسة نظامًا يستخدم تقنيات التعلم الانتقالي باستخدام YOLOv7 و YOLOv8، وهما نموذجين متقدمين للكشف عن الأجسام، لتحديد ومراقبة مختلف أمراض النباتات، بما في ذلك العدوى البكتيرية والفطرية والفيروسية. تم ضبط النماذج على مجموعة بيانات من صور أوراق النباتات، محققة مقاييس أداء مثيرة للإعجاب: متوسط الدقة (mAP) بنسبة 91.05%، ودرجة F1 بنسبة 89.40%، والدقة بنسبة 91.22%، والاسترجاع بنسبة 87.66%. تشير النتائج إلى أن YOLOv8 يتفوق على طرق الكشف الأخرى، مما يظهر إمكانيته في تعزيز الممارسات الزراعية الحديثة من خلال الكشف عن الأمراض بشكل قابل للتوسع وأوتوماتيكي.
تؤكد الدراسة على أهمية التعرف على الأمراض في الوقت المناسب بدقة للمزارعين وعلماء أمراض النباتات. من خلال استخدام مجموعة بيانات تحتوي على 12 نوعًا مختلفًا من أمراض النباتات، يظهر نموذج YOLOv8 قدرته على التنبؤ بالأمراض مبكرًا، مما يقلل من خسائر المحاصيل ويحسن النتائج الاقتصادية في الزراعة. تسلط الأبحاث الضوء على مزايا التعلم الانتقالي، مما يسمح بالكشف الفعال عن الأمراض دون الحاجة إلى بيانات تدريب واسعة أو موارد حسابية. تهدف الأعمال المستقبلية إلى توسيع مجموعة البيانات مع المزيد من صور أوراق النباتات المتنوعة لتعزيز دقة التنبؤ وتحسين خوارزميات الكشف، مما يساهم في النهاية في ممارسات زراعية أكثر كفاءة.
طرق
تستعرض هذه القسم الطرق التقليدية للكشف عن أمراض النباتات، التي اعتمدت في الغالب على الفحص البصري من قبل المزارعين أو الخبراء الزراعيين لتحديد الأعراض مثل تغير اللون، والبقع، والآفات على أوراق النباتات. بينما يمكن أن تكون هذه الطرق فعالة، إلا أنها محدودة بالذاتية، واستهلاك الوقت، وضرورة وجود موظفين مدربين تدريبًا عاليًا، مما يجعلها غير عملية للعمليات الزراعية على نطاق واسع. واجهت الجهود الرامية إلى أتمتة الكشف عن الأمراض من خلال تقنيات معالجة الصور، بما في ذلك تحليل اللون والملمس والتعرف على الأنماط، تحديات في تعميمها عبر بيئات وأنواع نباتات وأمراض مختلفة، مما يبرز الحاجة إلى أساليب أكثر تطورًا.
تقدم الدراسة منهجية للكشف عن أمراض أوراق النباتات باستخدام التعلم الانتقالي، والتي تتضمن عدة خطوات حاسمة. في البداية، يتم معالجة صور الأوراق مع التعليقات التوضيحية لإعداد مجموعة البيانات، والتي يتم تقسيمها بعد ذلك إلى مجموعة تدريب (80% من العينات) ومجموعة اختبار (20%). يتم اختيار نموذج كشف الأجسام الأساسي، تليه ضبط المعلمات باستخدام مجموعة بيانات الكشف عن الأمراض لتحسين النموذج للكشف عن الأمراض. يتم تقييم أداء النموذج المدرب بعد ذلك من حيث الدقة والفعالية في تحديد الأمراض في أوراق النباتات. تم تصميم الإعداد التجريبي لدعم تدريب وتقييم نماذج التعلم العميق، خاصة للكشف في الوقت الحقيقي عن الأمراض في أوراق نبات الطماطم، مما يضمن أداءً عاليًا ودقة من خلال موارد حسابية كافية.
نتائج
تُعرض نتائج الدراسة من خلال مصفوفة الارتباك التي توضح مقاييس أداء طرق التصنيف المختلفة، بما في ذلك السلبية الحقيقية (TN)، والإيجابية الحقيقية (TP)، والإيجابية الكاذبة (FP)، والسلبية الكاذبة (FN). يتم تعريف مؤشرات الأداء الرئيسية مثل الدقة، والاسترجاع، ودرجة F1، إلى جانب مقياس التقاطع على الاتحاد (IoU)، الذي يقيس دقة الصناديق المحيطة المتوقعة مقابل الحقيقة الأرضية. يتم حساب متوسط الدقة عند عتبة IoU معينة (AP IoU) ومتوسط الدقة العامة (mAP IoU) عبر عدة فئات لتقييم أداء النموذج.
أظهر نموذج YOLOv8 أداءً متفوقًا على YOLOv7، محققًا متوسط دقة (mAP) بنسبة 91.05% وسرعة استدلال تبلغ 3.8 مللي ثانية، مقارنةً بـ mAP الخاص بـ YOLOv7 البالغ 86.3% وسرعته 4.3 مللي ثانية. تم تقييم نماذج أخرى، مثل MobileNet و Faster R-CNN، حيث حقق MobileNet mAP بنسبة 32.8% و Faster R-CNN وصل إلى 38.9%. تؤكد الدراسة على فعالية نماذج YOLO في الكشف عن أمراض النباتات في الوقت الحقيقي، مما يبرز توازنها بين الدقة والسرعة، وهو أمر حاسم للتطبيقات العملية في الزراعة. تشير النتائج إلى أن هذه التقدمات يمكن أن تعزز بشكل كبير الإنتاجية الزراعية، وتدعم المزارعين ذوي الموارد المحدودة، وتساهم في ممارسات الزراعة المستدامة.
نقاش
يسلط النقاش الضوء على التقدم الكبير في تقنيات الزراعة الدقيقة، لا سيما في مجال الكشف عن أمراض النباتات، الذي تم تحسينه من خلال التعلم العميق وابتكارات إنترنت الأشياء. تعتبر الطرق التقليدية لتحديد الأمراض كثيفة الموارد، مما يثير الحاجة إلى حلول رقمية. تؤكد الورقة على قيود مجموعات البيانات الحالية، مثل PlantVillage و PlantDoc، بينما تعرض فعالية نماذج التعلم العميق مثل YOLOv5 و YOLOv7 و YOLOv8 في تحقيق معدلات دقة عالية للكشف عن الأمراض. من الجدير بالذكر أن نموذج YOLOv8 حقق درجة متوسط دقة (mAP) بنسبة 91.05%، مما يظهر إمكانيته للتطبيقات في الوقت الحقيقي في الزراعة.
علاوة على ذلك، يتم مناقشة دمج آليات الانتباه وتقنيات التعلم الانتقالي كوسيلة لتحسين أداء النموذج والتعميم عبر مجموعات بيانات متنوعة. تم تصميم النماذج المقترحة لتكون خفيفة الوزن وفعالة، مما يعالج التحديات مثل البيانات المحدودة المعلّمة والحاجة إلى حلول في الوقت الحقيقي. تشير النتائج إلى أن هذه التقدمات لا تعزز فقط دقة الكشف عن الأمراض ولكن تساهم أيضًا في ممارسات الزراعة المستدامة من خلال تمكين التدخلات في الوقت المناسب وتقليل استخدام المبيدات. تشمل اتجاهات البحث المستقبلية توسيع مجموعة البيانات وتحسين الخوارزميات لتحسين قدرات الكشف في سياقات زراعية متنوعة.
DOI: https://doi.org/10.1038/s41598-025-02271-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40447666
Publication Date: 2025-05-30
Author(s): Bosubabu Sambana et al.
Primary Topic: Smart Agriculture and AI
Overview
The research addresses the critical issue of plant diseases, which significantly affect agricultural productivity and quality. Early detection is essential for mitigating these impacts, and advancements in technology offer promising solutions for automating disease monitoring. This study introduces a system that employs transfer learning techniques using YOLOv7 and YOLOv8, two advanced object detection models, to identify and monitor various plant diseases, including bacterial, fungal, and viral infections. The models were fine-tuned on a dataset of plant leaf images, achieving impressive performance metrics: mean Average Precision (mAP) of 91.05%, F1-score of 89.40%, Precision of 91.22%, and Recall of 87.66%. The results indicate that YOLOv8 outperforms other detection methods, showcasing its potential for enhancing modern agricultural practices through scalable and automated disease detection.
The study emphasizes the importance of timely and accurate disease identification for farmers and plant pathologists. By utilizing a dataset featuring 12 distinct plant disease types, the YOLOv8 model demonstrates its capability to predict diseases early, thereby reducing crop losses and improving economic outcomes in agriculture. The research highlights the advantages of transfer learning, allowing for effective disease detection without extensive training data or computational resources. Future work aims to expand the dataset with more diverse plant leaf images to further enhance predictive accuracy and refine detection algorithms, ultimately contributing to more efficient agricultural practices.
Methods
The section outlines traditional methods for plant disease detection, which predominantly relied on visual inspection by farmers or agricultural experts to identify symptoms such as discoloration, spots, and lesions on plant leaves. While these methods can be effective, they are limited by subjectivity, time consumption, and the necessity for highly trained personnel, making them impractical for large-scale agricultural operations. Efforts to automate disease detection through image processing techniques, including color and texture analysis and pattern recognition, have faced challenges in generalizing across different environments, plant species, and diseases, underscoring the need for more sophisticated approaches.
The study introduces a methodology for plant leaf disease detection utilizing transfer learning, which involves several critical steps. Initially, leaf images with annotations are preprocessed to prepare the dataset, which is then divided into a training set (80% of samples) and a testing set (20%). A base object detection model is selected, followed by hyperparameter tuning using the Detecting Diseases dataset to optimize the model for disease detection. The performance of the trained model is subsequently evaluated for accuracy and effectiveness in identifying diseases in plant leaves. The experimental setup is designed to support the training and evaluation of deep learning models, particularly for real-time detection of diseases in tomato plant leaves, ensuring high performance and accuracy through adequate computational resources.
Results
The results of the study are presented through a confusion matrix that outlines the performance metrics of various classification methods, including true negatives (TN), true positives (TP), false positives (FP), and false negatives (FN). Key performance indicators such as Precision, Recall, and F1 Score are defined, alongside the Intersection over Union (IoU) metric, which quantifies the accuracy of predicted bounding boxes against ground truth. The average precision at a specific IoU threshold (AP IoU) and the mean average precision (mAP IoU) across multiple classes are calculated to evaluate model performance.
The YOLOv8 model demonstrated superior performance over YOLOv7, achieving a mean Average Precision (mAP) of 91.05% and an inference speed of 3.8 milliseconds, compared to YOLOv7’s mAP of 86.3% and speed of 4.3 milliseconds. Other models, such as MobileNet and Faster R-CNN, were also assessed, with MobileNet achieving an mAP of 32.8% and Faster R-CNN reaching 38.9%. The study emphasizes the effectiveness of YOLO models in real-time plant disease detection, highlighting their balance of accuracy and speed, which is crucial for practical applications in agriculture. The findings suggest that these advancements can significantly enhance agricultural productivity, support resource-constrained farmers, and contribute to sustainable farming practices.
Discussion
The discussion highlights the significant advancements in precision agriculture technologies, particularly in the realm of plant disease detection, which has been enhanced by deep learning and IoT innovations. Traditional methods of disease identification are resource-intensive, prompting the need for digitized solutions. The paper emphasizes the limitations of existing datasets, such as PlantVillage and PlantDoc, while showcasing the effectiveness of deep learning models like YOLOv5, YOLOv7, and YOLOv8 in achieving high accuracy rates for disease detection. Notably, the YOLOv8 model achieved a mean Average Precision (mAP) score of 91.05%, demonstrating its potential for real-time applications in agriculture.
Furthermore, the integration of attention mechanisms and transfer learning techniques is discussed as a means to improve model performance and generalization across diverse datasets. The proposed models are designed to be lightweight and efficient, addressing challenges such as limited labeled data and the need for real-time solutions. The findings suggest that these advancements not only enhance the accuracy of disease detection but also contribute to sustainable agricultural practices by enabling timely interventions and reducing pesticide usage. Future research directions include expanding the dataset and refining algorithms to further improve detection capabilities in varying agricultural contexts.