DOI: https://doi.org/10.1038/s41598-025-15940-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40854933
تاريخ النشر: 2025-08-25
المؤلف: Achin Jain وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث نهجًا جديدًا لاكتشاف مرض العفن في البطاطس باستخدام نموذج تجميع وزني محسّن بايزي. يدمج هذا الأسلوب عدة هياكل لشبكات الأعصاب التلافيفية (CNN) تم تدريبها باستخدام محسنات مختلفة – ADAM وSGD وRMSProp وADAMAX – معززة بتقنيات تحسين الصور الضبابية وزيادة البيانات لمعالجة عدم التوازن في الفئات وتحسين استخراج الميزات. حقق النموذج النهائي للتجميع، المعروف باسم EDL7، دقة تصنيف بلغت 97.94%، إلى جانب دقة مثيرة للإعجاب (0.981)، واسترجاع (0.983)، ودرجة F1 (0.982)، مما يوضح فعالية التحسين البايزي في التعلم التجميعي لتصنيف الأمراض الزراعية.
في الختام، بينما تفوق نموذج EDL7 في مقاييس التقييم التقليدية، أشار تحليل TOPSIS إلى أن نموذجًا آخر، EDL10، قدم توازنًا أفضل عبر معايير متعددة. يبرز هذا ضرورة اتخاذ القرارات متعددة المعايير في تقييم النماذج، مما يشير إلى أن الأداء الأمثل قد لا يُعرف فقط من خلال الدقة. يعترف البحث بالقيود، بما في ذلك نقص التحقق من الصحة في العالم الحقيقي واختبار التغيرات البيئية. ستركز الأعمال المستقبلية على دمج الهياكل المتقدمة، ونشر النموذج في إعدادات عملية، واستكشاف تقنيات إضافية مثل زيادة البيانات في وقت الاختبار وتقدير عدم اليقين لتعزيز قوة النموذج وقدرته على التعميم في التطبيقات الزراعية.
طرق
في هذه الدراسة، تم تطوير نموذج شبكة أعصاب تلافيفية (CNN) باستخدام TensorFlow 2 لتصنيف مرض العفن في البطاطس، باستخدام مجموعة بيانات من مجموعة بيانات قرية النباتات في كاجل تتكون من 1000 صورة لكل من العفن المبكر والمتأخر، إلى جانب 152 صورة لأوراق البطاطس الصحية. أظهرت مجموعة البيانات عدم توازن كبير، مما دفع إلى تنفيذ تقنيات توازن البيانات وزيادتها لتحسين أداء النموذج.
ركز البحث على إنشاء نموذج تجميع وزني بايزي محسّن، يتضمن تحسين الصور الضبابية لتحسين تباين الحواف ووضوح القوام. تم تدريب هياكل CNN المختلفة باستخدام محسنات مختلفة، بما في ذلك ADAM وSGD وRMSPROP وADAMAX، على الصور المحسنة. تم استخدام طريقة متوسط وزني محسّن بايزي لتحديد الأوزان المثلى للتجميع بناءً على مقاييس الدقة. تم التحقق من فعالية النموذج من خلال مصفوفات الارتباك ورسوم الأداء، مما يكشف عن دقة تصنيف متفوقة. لتخفيف الإفراط في التكيف، تم استخدام الإيقاف المبكر (مع صبر قدره 5) وتنظيم التسرب. تضمنت عملية التدريب معدل تعلم قدره $0.0001$ وحجم دفعة صغيرة قدره $64$، مع تدريب النماذج باستخدام خسارة الانتروبيا المتقاطعة الفئوية المتناثرة لمدة 20 دورة. تم إجراء جميع التجارب على منصة كاجل باستخدام وحدة معالجة الرسوميات NVIDIA Tesla P100، Keras®2.9.0، TensorFlow®2.9.2، وPython®3.8.10، مع تطبيق التحسين البايزي بشكل خاص لضبط أوزان التجميع.
النتائج
يقدم قسم النتائج في الدراسة تقييمًا شاملاً لنماذج شبكة الأعصاب التلافيفية (CNN) ونموذج التجميع المحسن بايزي المقترح لتصنيف الأمراض النباتية. يكشف التحليل أن تقنيات المعالجة المسبقة تعزز بشكل كبير أداء النموذج. على وجه التحديد، أدى الانتقال من مجموعة بيانات غير متوازنة إلى مجموعة متوازنة إلى تحسين متوسط درجة F1 من 0.83 إلى 0.85، بينما أدت إضافة تحسين تباين الهيستوغرام المحدود التكيفي (CLAHE) إلى رفع هذه الدرجة إلى 0.94. ومن الجدير بالذكر أن مجموعة البيانات المحسنة بالضبابية حققت أعلى متوسط درجة F1 بلغ 0.95، مما يبرز فعاليتها في تحسين الدقة والاسترجاع واستخراج الميزات، خاصة بالنسبة للنماذج DL2 وDL4.
فيما يتعلق بالتعلم التجميعي، حقق النموذج المقترح EDL7، الذي يجمع بين DL1 وDL2 وDL3، أعلى دقة بلغت 97.94%، متفوقًا على النماذج الفردية ومظهرًا فوائد الاستفادة من مصنفات متعددة. أظهر نموذج التجميع دقة بلغت 98.1% واسترجاعًا قدره 98.3%، مما يشير إلى موثوقيته وفعاليته في التقاط الحالات الإيجابية. بشكل عام، تسلط النتائج الضوء على تفوق النهج التجميعي، الذي لا يعزز فقط أداء التصنيف عبر مقاييس مختلفة ولكن يضمن أيضًا تحسين التعميم على البيانات غير المرئية، مما يجعله مناسبًا للتطبيقات في الوقت الحقيقي. تم التحقق من قوة نموذج التجميع من خلال التحليل المقارن، محققًا درجة F1 قدرها 0.982، مما يثبت فعاليته في مهام تصنيف الأمراض النباتية.
نقاش
يستعرض قسم النقاش في الورقة الهيكل والنتائج الرئيسية المتعلقة بدمج الذكاء الاصطناعي (AI) وتعلم الآلة (ML) في إدارة الأمراض الزراعية، مع التركيز بشكل خاص على اكتشاف مرض العفن في البطاطس. يبرز الانتقال من الأساليب التقليدية، التي اعتمدت على البيانات التاريخية وأنماط الطقس، إلى تقنيات الذكاء الاصطناعي المتقدمة التي تستخدم مجموعات بيانات معقدة، بما في ذلك الصور الفضائية وبيانات المستشعرات في الوقت الحقيقي. يتم التأكيد على الشبكات العصبية التلافيفية (CNN) كأدوات فعالة لأتمتة اكتشاف الأمراض، مما يحسن بشكل كبير من الدقة والكفاءة مقارنة بالطرق اليدوية. يتم الاستشهاد بعدة دراسات، توضح التطبيق الناجح لشبكات CNN في تحديد أنماط الأمراض في أوراق البطاطس، مما يبرز قدرتها على تعزيز الإنتاجية الزراعية وأمن الغذاء.
كما يتناول القسم المنهجية المستخدمة في الدراسة، بما في ذلك تقنيات إعداد البيانات مثل تحسين الضبابية وزيادة البيانات، التي كانت حاسمة في تحسين نماذج CNN. تصف الورقة هيكل نموذج التجميع المحسن بايزي المقترح، الذي يجمع بين عدة نماذج CNN تم تدريبها باستخدام محسنات مختلفة (ADAM وSGD وRMSProp وADAMAX) لتحسين الدقة التنبؤية. يتم استخدام التحسين البايزي لتعيين أوزان لهذه النماذج، مما يعزز أداء التجميع. تشير النتائج إلى أن نموذج التجميع حقق دقة تصنيف عالية بلغت 97.94%، مع مقاييس أداء إضافية تعزز فعاليته. ومع ذلك، تعترف الدراسة بالقيود المتعلقة بالتحقق من الصحة في العالم الحقيقي وتقترح اتجاهات البحث المستقبلية لمعالجة هذه التحديات.
DOI: https://doi.org/10.1038/s41598-025-15940-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40854933
Publication Date: 2025-08-25
Author(s): Achin Jain et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents a novel approach for detecting potato blight using a Bayesian Optimized CNN Weighted Ensemble model. This method integrates multiple convolutional neural network (CNN) architectures trained with various optimizers—ADAM, SGD, RMSProp, and ADAMAX—enhanced by data augmentation and fuzzy image enhancement techniques to address class imbalance and improve feature extraction. The final ensemble model, referred to as EDL7, achieved a classification accuracy of 97.94%, alongside impressive precision (0.981), recall (0.983), and F1 score (0.982), demonstrating the efficacy of Bayesian optimization in ensemble learning for agricultural disease classification.
In conclusion, while the EDL7 model excelled in traditional evaluation metrics, a TOPSIS analysis indicated that another model, EDL10, provided a superior balance across multiple criteria. This highlights the necessity of multicriteria decision-making in model evaluation, suggesting that optimal performance may not solely be defined by accuracy. The study acknowledges limitations, including the lack of real-world validation and environmental variability testing. Future work will focus on integrating advanced architectures, deploying the model in practical settings, and exploring additional techniques such as test-time augmentation and uncertainty estimation to enhance model robustness and generalization in agricultural applications.
Methods
In this study, a Convolutional Neural Network (CNN) model was developed using TensorFlow 2 to classify potato blight, utilizing a dataset from the Kaggle Plant Village Dataset that comprises 1000 images each of early and late blight, alongside 152 images of healthy potato leaves. The dataset exhibited a significant imbalance, prompting the implementation of data balancing and augmentation techniques to enhance model performance.
The research focused on creating an optimized Bayesian Weighted Ensemble CNN model, incorporating fuzzy image enhancement to improve edge contrast and texture clarity. Various CNN architectures were trained with different optimizers, including ADAM, SGD, RMSPROP, and ADAMAX, on the enhanced images. A Bayesian Optimized Weighted Average method was employed to determine optimal ensemble weights based on accuracy metrics. The model’s effectiveness was validated through confusion matrices and performance graphs, revealing superior classification accuracy. To mitigate overfitting, early stopping (with a patience of 5) and dropout regularization were utilized. The training process involved a learning rate of $0.0001$ and a mini-batch size of $64$, with the models trained using sparse categorical cross-entropy loss for 20 epochs. All experiments were conducted on the Kaggle platform using an NVIDIA Tesla P100 GPU, Keras®2.9.0, TensorFlow®2.9.2, and Python®3.8.10, with Bayesian optimization specifically applied for tuning ensemble weights.
Results
The results section of the study presents a comprehensive evaluation of Convolutional Neural Network (CNN) models and a proposed Bayesian optimized ensemble model for plant disease classification. The analysis reveals that preprocessing techniques significantly enhance model performance. Specifically, transitioning from an imbalanced dataset to a balanced one improved the mean F1 score from 0.83 to 0.85, while the introduction of Contrast Limited Adaptive Histogram Equalization (CLAHE) further elevated this score to 0.94. Notably, the fuzzy-enhanced dataset achieved the highest mean F1 score of 0.95, underscoring its effectiveness in improving precision, recall, and feature extraction, particularly for models DL2 and DL4.
In terms of ensemble learning, the proposed model EDL7, which combines DL1, DL2, and DL3, achieved the highest accuracy of 97.94%, outperforming individual models and demonstrating the benefits of leveraging multiple classifiers. The ensemble model exhibited a precision of 98.1% and a recall of 98.3%, indicating its reliability and effectiveness in capturing positive instances. Overall, the findings highlight the superiority of the ensemble approach, which not only enhances classification performance across various metrics but also ensures better generalization to unseen data, making it suitable for real-time applications. The robustness of the ensemble model is further validated through comparative analysis, achieving an F1 score of 0.982, thus establishing its efficacy in plant disease classification tasks.
Discussion
The discussion section of the paper outlines the structure and key findings related to the integration of artificial intelligence (AI) and machine learning (ML) in agricultural disease management, particularly focusing on potato blight detection. It highlights the transition from traditional methods, which relied on historical data and weather patterns, to advanced AI techniques that utilize complex datasets, including satellite imagery and real-time sensor data. Convolutional Neural Networks (CNNs) are emphasized as effective tools for automating disease detection, significantly improving accuracy and efficiency compared to manual methods. Various studies are cited, demonstrating the successful application of CNNs in identifying disease patterns in potato leaves, thus underscoring their potential to enhance agricultural productivity and food security.
The section also details the methodology employed in the study, including data preparation techniques like fuzzy enhancement and data augmentation, which were crucial for optimizing the CNN models. The paper describes the architecture of the proposed Bayesian Optimized CNN Ensemble, which combines multiple CNN models trained with different optimizers (ADAM, SGD, RMSProp, and ADAMAX) to improve predictive accuracy. Bayesian optimization is utilized to assign weights to these models, enhancing the ensemble’s performance. The results indicate that the ensemble model achieved a high classification accuracy of 97.94%, with additional performance metrics reinforcing its effectiveness. However, the study acknowledges limitations regarding real-world validation and suggests future research directions to address these challenges.