DOI: https://doi.org/10.1038/s41598-025-34713-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41520019
تاريخ النشر: 2026-01-10
المؤلف: Md. Ehsanul Haque وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث CottonLeafNet، وهو إطار عمل معزز بالاهتمام مصمم للتصنيف الدقيق والفعال حسابيًا لأمراض أوراق القطن. يدمج هذا النموذج الشبكات العصبية التلافيفية الخفيفة مع وحدات الانتباه الذاتي متعدد الرؤوس (MHSA)، مما يعالج قيود الأساليب الآلية الحالية، مثل تنوع مجموعات البيانات وتكاليف الحساب. حقق CottonLeafNet مقاييس أداء مثيرة للإعجاب، بما في ذلك دقة 98.33% ودرجة F1 ماكرو تبلغ 0.9833 على مجموعة البيانات D1، و99.43% دقة مع درجة F1 ماكرو تبلغ 0.9942 على مجموعة البيانات D2. كما أظهر النموذج متانة من خلال التحقق المتبادل وحافظ على أداء قوي تحت عدم توازن الفئات الناتج عن تدخلات صناعية.
علاوة على ذلك، تم تعزيز قابلية تفسير النموذج من خلال تصورات رسم خرائط تنشيط الفئة المعتمدة على التدرج (Grad-CAM)، والتي تؤكد أنه يركز بفعالية على المناطق ذات الصلة بالمرض. مع أوقات استدلال منخفضة تبلغ 0.51 ثانية و0.40 ثانية لكل صورة، فإن CottonLeafNet مناسب للتطبيقات في الوقت الحقيقي، كما تم التحقق منه من خلال نشر قائم على الويب يحقق توقعات في حوالي 1 ثانية. أدى إنشاء مجموعة بيانات موحدة من ثماني فئات إلى دقة اختبار تبلغ 99.08%، مما يشير إلى قدرة النموذج على إدارة سيناريوهات متعددة الفئات معقدة. ستسعى الأبحاث المستقبلية إلى توسيع تنوع مجموعات البيانات وتحسين متانة النموذج ضد أعراض الأمراض المتشابهة بصريًا، مما يعزز في النهاية قابليته للتطبيق في البيئات الزراعية الواقعية.
مقدمة
تؤكد مقدمة ورقة البحث على أهمية القطن كمحصول نقدي حيوي، بشكل أساسي لأليافه المستخدمة في إنتاج المنسوجات، وتبرز قابليته للإصابة بمختلف أمراض الأوراق مثل العفن البكتيري، والتجعد، والبقعة المستهدفة. لا تؤدي هذه الأمراض إلى تقليل إنتاج القطن وجودة الألياف فحسب، بل تؤثر أيضًا سلبًا على الاستقرار الاقتصادي للمزارعين واستدامة صناعة المنسوجات. تشير الورقة إلى أن أمراض الأوراق تشكل تهديدًا أوسع لإنتاج المحاصيل العالمية وأمن الغذاء، مما يؤدي إلى خسائر اقتصادية كبيرة.
لتخفيف هذه التحديات، يؤكد المؤلفون على أهمية الكشف المبكر والتحديد الدقيق للأوراق المصابة، مما يمكن أن يسهل التدخلات في الوقت المناسب لمنع انتشار المرض. تعتمد الطرق التقليدية لتشخيص الأمراض بشكل كبير على الملاحظات اليدوية من قبل علماء الزراعة أو المزارعين، والتي تتطلب جهدًا كبيرًا، وتستغرق وقتًا طويلاً، وعرضة للأخطاء البشرية، خاصة في البيئات الزراعية واسعة النطاق. تؤكد التعقيدات المعنية في تحديد الأمراض، التي تفاقمت بسبب التغيرات البيئية والطبيعة المتداخلة لأوراق النباتات، على ضرورة وجود أنظمة كشف آلي وموثوقة للأمراض. يدعو المؤلفون إلى دمج تقنيات التصوير المتقدمة وتعلم الآلة لتعزيز المراقبة في الوقت الحقيقي لصحة المحاصيل، مما يعزز الممارسات الزراعية المستدامة.
الطرق
توضح قسم المنهجية سير العمل لإطار عمل CottonLeafNet، كما هو موضح في الشكل 2. يشمل هذا الإطار عملية شاملة تتضمن جمع البيانات، والمعالجة المسبقة، وتدريب النموذج، والتقييم، وتحليل القابلية للتفسير، والنشر. تم تصميم كل خطوة لتحويل مجموعات البيانات الخام بشكل منهجي إلى توقعات قابلة للتنفيذ، مما يعزز فائدة CottonLeafNet في التطبيقات العملية. يضمن النهج المنظم أن يكون الإطار قويًا وفعالًا في تقديم نتائج موثوقة.
النتائج
في قسم النتائج والمناقشة، يتم تقييم أداء CottonLeafNet على مجموعتين من البيانات، D1 وD2، مما يظهر قدراته الفائقة في التصنيف مقارنة بالنماذج الأساسية. تشير النتائج إلى أن CottonLeafNet يحقق دقة تبلغ 98.33% على مجموعة البيانات D1، متفوقًا على النموذج الأفضل التالي، EfficientNetB0، الذي يسجل 97.50%. على مجموعة البيانات D2، يتفوق CottonLeafNet مرة أخرى بدقة تبلغ 99.43%، مما يظهر متانته وقدرته على التعميم عبر فئات الأمراض المختلفة.
تسلط التحليلات الضوء على تحسينات كبيرة في الدقة، والاسترجاع، ودرجات F1 ماكرو، وF1 الموزونة لـ CottonLeafNet عبر كلا مجموعتي البيانات، مما يبرز فعاليته في تصنيف فئات الأمراض المختلفة بدقة. تشير النتائج إلى أن دمج الانتباه الذاتي متعدد الرؤوس (MHSA) والتصويت الناعم ضمن الهيكل التجميعي يعزز موثوقية توقعات النموذج. بشكل عام، تعزز الأداء المتسق لـ CottonLeafNet، جنبًا إلى جنب مع مقاييس التقييم مثل ROC، من إمكانية الهيكل المقترح في تحقيق دقة عالية وقابلية للتفسير في مهام تصنيف الأمراض.
المناقشة
في هذا القسم، يناقش المؤلفون التقدمات والتحديات في الكشف الآلي عن أمراض أوراق القطن باستخدام تقنيات تعلم الآلة والتعلم العميق. تعتبر طرق الفحص اليدوي التقليدية كثيفة العمالة وعرضة للأخطاء، مما يبرز الحاجة إلى حلول آلية فعالة. بينما أظهرت النماذج الحالية لتعلم الآلة نتائج واعدة في تصنيف الأمراض مثل العفن البكتيري والتجعد، فإنها غالبًا ما تعاني من قيود تشمل الاعتماد على مجموعات بيانات فردية، والتكيف المفرط، وتكاليف حسابية عالية، ونقص في القابلية للتفسير. لمعالجة هذه القضايا، يقدم المؤلفون CottonLeafNet، وهو شبكة عصبية تلافيفية (CNN) معززة بالاهتمام تدمج عدة هياكل CNN خفيفة مع وحدات الانتباه الذاتي متعدد الرؤوس (MHSA). لا يحسن هذا الإطار دقة التصنيف فحسب، بل يعزز أيضًا قابلية تفسير النموذج من خلال تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) مثل Grad-CAM.
تم تقييم CottonLeafNet المقترح بدقة باستخدام مجموعتين من البيانات متاحة للجمهور، تشمل ثماني فئات مرضية فريدة. أظهر النموذج متانة وقابلية للتعميم عبر ظروف بيئية مختلفة ومظاهر أوراق متنوعة. تشمل المساهمات الرئيسية لهذا العمل تطوير تطبيق ويب عملي لتشخيص الأمراض في الوقت الحقيقي، مما يسمح للمستخدمين بتحميل صور الأوراق والحصول على توقعات فورية مع درجات ثقة وتفسيرات بصرية. بشكل عام، يؤكد المؤلفون على أهمية إنشاء نماذج ليست دقيقة فحسب، بل أيضًا فعالة حسابيًا وقابلة للتفسير، مما يوفر حلاً قابلاً للتوسع للكشف الآلي عن أمراض أوراق القطن في السياقات الزراعية الواقعية.
DOI: https://doi.org/10.1038/s41598-025-34713-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41520019
Publication Date: 2026-01-10
Author(s): Md. Ehsanul Haque et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents CottonLeafNet, an attention-enhanced ensemble framework designed for the accurate and computationally efficient classification of cotton leaf diseases. This model integrates lightweight convolutional neural networks with multi-head self-attention (MHSA) modules, addressing the limitations of existing automated approaches, such as dataset diversity and computational costs. CottonLeafNet achieved impressive performance metrics, including 98.33% accuracy and a macro F1-score of 0.9833 on Dataset D1, and 99.43% accuracy with a macro F1-score of 0.9942 on Dataset D2. The model also demonstrated robustness through cross-validation and maintained strong performance under artificially induced class imbalances.
Furthermore, the model’s interpretability is enhanced through Gradient-Weighted Class Activation Mapping (Grad-CAM) visualizations, which confirm that it effectively focuses on disease-relevant areas. With low inference times of 0.51 seconds and 0.40 seconds per image, CottonLeafNet is suitable for real-time applications, as validated by a web-based deployment achieving predictions in approximately 1 second. The creation of a unified eight-class dataset resulted in a test accuracy of 99.08%, indicating the model’s capability to manage complex multiclass scenarios. Future research will aim to expand dataset diversity and improve the model’s robustness against visually similar disease symptoms, ultimately enhancing its applicability in real-world agricultural settings.
Introduction
The introduction of the research paper emphasizes the significance of cotton as a vital cash crop, primarily for its fiber used in textile production, and highlights its susceptibility to various leaf diseases such as bacterial blight, leaf curl, and target spot. These diseases not only diminish cotton yield and fiber quality but also adversely affect farmers’ economic stability and the sustainability of the textile industry. The paper notes that leaf diseases pose a broader threat to global crop production and food security, leading to substantial economic losses.
To mitigate these challenges, the authors stress the importance of early detection and accurate identification of infected leaves, which can facilitate timely interventions to prevent disease spread. Traditional methods of disease diagnosis rely heavily on manual observations by agronomists or farmers, which are labor-intensive, time-consuming, and prone to human error, particularly in large-scale agricultural settings. The complexities involved in disease identification, exacerbated by environmental variability and the overlapping nature of plant leaves, underscore the necessity for automated and reliable disease detection systems. The authors advocate for the integration of advanced imaging techniques and machine learning to enhance real-time monitoring of crop health, thereby promoting sustainable agricultural practices.
Methods
The methodology section outlines the workflow of the CottonLeafNet framework, as illustrated in Figure 2. This framework encompasses a comprehensive process that includes data collection, preprocessing, model training, evaluation, explainability analysis, and deployment. Each step is designed to systematically transform raw datasets into actionable predictions, thereby enhancing the utility of the CottonLeafNet in practical applications. The structured approach ensures that the framework is both robust and effective in delivering reliable outcomes.
Results
In the Results and Discussion section, the performance of CottonLeafNet is evaluated on two datasets, D1 and D2, showcasing its superior classification capabilities compared to baseline models. The findings indicate that CottonLeafNet achieves an accuracy of 98.33% on Dataset D1, outperforming the next best model, EfficientNetB0, which records 97.50%. On Dataset D2, CottonLeafNet further excels with an accuracy of 99.43%, demonstrating its robustness and ability to generalize across different disease classes.
The analysis highlights significant improvements in precision, recall, macro-F1, and weighted-F1 scores for CottonLeafNet across both datasets, underscoring its effectiveness in accurately classifying various disease categories. The results suggest that the integration of Multi-Head Self-Attention (MHSA) and soft voting within the ensemble architecture enhances the model’s predictive reliability. Overall, the consistent performance of CottonLeafNet, along with the evaluation metrics such as ROC, reinforces the potential of the proposed architecture in achieving high accuracy and interpretability in disease classification tasks.
Discussion
In this section, the authors discuss the advancements and challenges in automated cotton leaf disease detection using machine learning and deep learning techniques. Traditional manual inspection methods are labor-intensive and error-prone, highlighting the need for efficient automated solutions. While existing machine learning models have shown promising results in classifying diseases such as bacterial blight and leaf curl, they often suffer from limitations including reliance on single datasets, overfitting, high computational costs, and lack of interpretability. To address these issues, the authors introduce CottonLeafNet, an attention-enhanced convolutional neural network (CNN) ensemble that integrates multiple lightweight CNN backbones with multi-head self-attention (MHSA) modules. This framework not only improves classification accuracy but also enhances model interpretability through explainable AI (XAI) techniques like Grad-CAM.
The proposed CottonLeafNet was rigorously evaluated using two publicly available datasets, encompassing eight unique disease categories. The model demonstrated robustness and generalizability across varying environmental conditions and leaf appearances. Key contributions of this work include the development of a practical web application for real-time disease diagnosis, which allows users to upload leaf images and receive instant predictions along with confidence scores and visual explanations. Overall, the authors emphasize the importance of creating models that are not only accurate but also computationally efficient and interpretable, thereby offering a scalable solution for automated cotton leaf disease detection in real-world agricultural contexts.