DOI: https://doi.org/10.1038/s41598-025-85486-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39789170
تاريخ النشر: 2025-01-09
المؤلف: Ashish Saini وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث نموذجًا جديدًا لتصنيف أمراض النباتات ضمن إطار إنترنت الأشياء (IoT)، مستهدفًا بشكل خاص قطاع الزراعة. يستخدم النموذج شبكة إنترنت أشياء محاكاة لمراقبة أمراض المحاصيل، معتمدًا على خوارزمية تحسين سرب الدجاج الغازي هنري (HGCSO) للتوجيه الفعال. تشمل معلمات اللياقة المدروسة التأخير، واستهلاك الطاقة، والمسافة، وعمر الرابط (LLT). يتم تصنيف الأمراض في محطة القاعدة (BS) من خلال جمع ومعالجة صور أوراق النباتات، باستخدام تصفية الوسيط لتقليل الضوضاء. يتم استخراج الميزات الرئيسية باستخدام تقنيات مثل هيستوجرام التدرجات الموجهة (HoG)، وميزات الصورة المحلية العنكبوتية (SLIF)، والأنماط الثلاثية المحلية (LTP). يتم إجراء التصنيف باستخدام شبكة عميقة متبقية (DRN) تم تدريبها باستخدام تحسين سرب الدجاج الغازي هنري كافيار (CHGCSO)، وهو نموذج هجين يدمج نموذج CAViaR مع HGCSO.
تظهر النتائج أن DRN المعتمد على CHGCSO يحقق دقة قصوى تبلغ 94.3%، وحساسية 93.3%، ونوعية 92%، ودرجة F1 تبلغ 93%، مما يدل على أداء متفوق مقارنة بالطرق الحالية. يهدف العمل المستقبلي إلى توسيع قابلية تطبيق النموذج على أنواع نباتات مختلفة وتقييم أدائه تحت ظروف بيئية وتكوينات إنترنت أشياء مختلفة، مما يعزز موثوقيته ودقته في سيناريوهات الزراعة الواقعية.
طرق
في هذا القسم، يصف المؤلفون منهجيتهم لاكتشاف أمراض النباتات باستخدام منصة إنترنت الأشياء (IoT)، معتمدين بشكل خاص على تقنية CHGCSO+DRN. تم إجراء الإعداد التجريبي على نظام يعمل بنظام Matlab على نظام تشغيل Windows 10، مزودًا بذاكرة وصول عشوائي سعتها 2 جيجابايت ومعالج Intel Core.
توضح نتائج التجارب في الشكل 5، الذي يتضمن عدة مراحل من معالجة الصور. يقدم الشكل 5a صورة ورقة الأرز الأصلية، بينما يظهر الشكل 5b النسخة المعالجة مسبقًا من الصورة. يتم تفصيل استخراج الميزات بشكل أكبر، حيث يعرض الشكل 5c ميزات هيستوجرام التدرجات الموجهة (HoG) ويعرض الشكل 5d ميزات الأنماط الثلاثية المحلية (LTP) المستخرجة من الصورة. تبرز هذه التمثيلات المرئية فعالية الطريقة المقترحة في تعزيز اكتشاف أمراض النباتات.
نتائج
تقيم نتائج الدراسة كفاءة طريقة CHGCSO+DRN من خلال تغيير بيانات التدريب عبر تكوينين: 100 عقدة و200 عقدة. يهدف التقييم إلى تحديد كيفية تأثير حجم مجموعة بيانات التدريب على أداء النهج المقترح.
تشير النتائج الرئيسية إلى أن مقاييس الأداء تتحسن مع زيادة عدد العقد، مما يشير إلى أن مجموعات بيانات التدريب الأكبر قد تعزز قدرة النموذج على التعميم وتحقيق نتائج أفضل. سيوفر التحليل الإضافي للنتائج رؤى حول التكوين الأمثل لتعظيم الكفاءة في التطبيقات العملية.
مناقشة
يقدم قسم المناقشة في ورقة البحث استعراضًا شاملًا للأدبيات حول نماذج مختلفة تم تطويرها لاكتشاف أمراض النباتات، خاصة في محاصيل الأرز، من 2018 إلى 2021. تشمل المساهمات الملحوظة نموذج S. Ramesh وBharghava Rajaram لاكتشاف الأمراض بناءً على الأعراض المرئية، والذي، على الرغم من تطبيقه في الميدان، لم يحقق الكشف المبكر. قدم Artzai Picon وآخرون شبكة عصبية تلافيفية (CNN) لتصنيف الأمراض، لكنهم واجهوا تحديات في التصنيف الخاطئ بسبب انخفاض جودة الصورة. تضمنت النماذج الأخرى المهمة الشبكة العصبية التلافيفية العميقة (DCNN) لتحديد أمراض معينة، ونهج هجين يجمع بين الغابة العشوائية، وآلة الدعم الناقل، والانحدار اللوجستي (RF+SVM+LR)، الذي عانى من تكاليف حسابية مرتفعة. كانت الشبكات التنافسية التوليدية ذات الدقة الفائقة المحسنة (ESRGAN) تهدف إلى تحسين التصنيف من الصور منخفضة الدقة لكنها واجهت صعوبات في التكيف مع قواعد البيانات.
كما يحدد القسم الشبكة العميقة المتبقية المعتمدة على CHGCSO لتصنيف أمراض النباتات، مع التركيز على آلية التوجيه المبتكرة وعملية استخراج الميزات. يستخدم النموذج فلتر وسطي لمعالجة الصور ويستخرج ميزات متنوعة مثل هيستوجرام التدرجات الموجهة (HoG) والأنماط الثنائية المحلية (LBP) للتصنيف الفعال. تم تقييم أداء نموذج CHGCSO+DRN مقابل الطرق الحالية، مما يظهر دقة متفوقة ودرجات F1، خاصة مع 150 عقدة، حيث حقق دقة تبلغ 0.920. تؤكد النتائج على إمكانية دمج الخوارزميات المتقدمة وإطارات إنترنت الأشياء لتعزيز إنتاجية الزراعة من خلال الكشف المبكر عن الأمراض.
DOI: https://doi.org/10.1038/s41598-025-85486-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39789170
Publication Date: 2025-01-09
Author(s): Ashish Saini et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents a novel model for classifying plant diseases within an Internet of Things (IoT) framework, specifically targeting the agriculture sector. The model utilizes a simulated IoT network for monitoring crop diseases, employing the Henry Gas Chicken Swarm Optimization (HGCSO) algorithm for efficient routing. The fitness parameters considered include delay, energy consumption, distance, and link lifetime (LLT). Disease categorization is conducted at the Base Station (BS) through the collection and preprocessing of plant leaf images, utilizing median filtering to reduce noise. Key features are extracted using techniques such as Histogram of Oriented Gradient (HoG), Spider Local Image Features (SLIF), and Local Ternary Patterns (LTP). The classification is performed using a Deep Residual Network (DRN) trained with the Caviar Henry Gas Chicken Swarm Optimization (CHGCSO), a hybrid model that integrates the CAViaR model with HGCSO.
The results demonstrate that the CHGCSO-based DRN achieves a maximum accuracy of 94.3%, sensitivity of 93.3%, specificity of 92%, and an F1-score of 93%, indicating superior performance compared to existing methods. Future work aims to extend the model’s applicability to various plant types and to assess its performance under different environmental conditions and IoT configurations, thereby enhancing its reliability and accuracy in real-world agricultural scenarios.
Methods
In this section, the authors describe their methodology for detecting plant diseases using an Internet of Things (IoT) platform, specifically employing the CHGCSO+DRN technique. The experimental setup was conducted on a system running Matlab on Windows 10 OS, equipped with 2GB RAM and an Intel Core processor.
The results of the experiments are illustrated in Figure 5, which includes several stages of image processing. Figure 5a presents the original rice leaf image, while Figure 5b shows the pre-processed version of the image. The extraction of features is further detailed, with Figure 5c displaying the Histogram of Oriented Gradients (HoG) features and Figure 5d showcasing the Local Ternary Pattern (LTP) features extracted from the image. These visual representations highlight the effectiveness of the proposed method in enhancing the detection of plant diseases.
Results
The results of the study assess the efficiency of the CHGCSO+DRN method by varying the training data across two configurations: 100 nodes and 200 nodes. The evaluation aims to determine how the size of the training dataset influences the performance of the proposed approach.
Key findings indicate that the performance metrics improve with an increase in the number of nodes, suggesting that larger training datasets may enhance the model’s ability to generalize and achieve better results. Further analysis of the results will provide insights into the optimal configuration for maximizing efficiency in practical applications.
Discussion
The discussion section of the research paper presents a comprehensive literature survey on various models developed for plant disease detection, particularly in rice crops, from 2018 to 2021. Notable contributions include S. Ramesh and Bharghava Rajaram’s model for visual symptom-based disease discovery, which, despite its on-field application, failed to achieve early detection. Artzai Picon et al. introduced a convolutional neural network (CNN) for disease classification, but faced challenges with misclassification due to low image quality. Other significant models included the Deep Convolutional Neural Network (DCNN) for identifying specific diseases, and a hybrid approach combining Random Forest, Support Vector Machine, and Logistic Regression (RF+SVM+LR), which suffered from high computational costs. The Enhanced Super-Resolution Generative Adversarial Networks (ESRGAN) aimed to improve classification from low-resolution images but struggled with database adaptability.
The section also outlines the proposed CHGCSO-based Deep Residual Network (DRN) for plant disease classification, emphasizing its innovative routing mechanism and feature extraction process. The model utilizes a median filter for image preprocessing and extracts various features such as Histogram of Oriented Gradients (HoG) and Local Binary Patterns (LBP) for effective classification. The performance of the CHGCSO+DRN model was evaluated against existing methods, demonstrating superior accuracy and F1-scores, particularly with 150 nodes, where it achieved an accuracy of 0.920. The findings underscore the potential of integrating advanced algorithms and IoT frameworks to enhance agricultural productivity through timely disease detection.