DOI: https://doi.org/10.1038/s41598-025-32624-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41526432
تاريخ النشر: 2026-01-12
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تتناول هذه الورقة البحثية التحدي الكبير الذي تفرضه أمراض النباتات على الأمن الغذائي العالمي واستدامة الزراعة، لا سيما في المناطق التي تفتقر إلى تقنيات التشخيص المتقدمة. وتقدم نظامًا مبتكرًا يعمل بالطاقة الشمسية ويعتمد على الروبوتات الذاتية، يستخدم تقنيات التعلم العميق وإنترنت الأشياء (IoT) للكشف عن أمراض النباتات في الوقت الحقيقي. يتميز النظام بوحدة تصوير عالية الدقة، وأجهزة استشعار بيئية تعتمد على إنترنت الأشياء، ووحدة معالجة على متنها تستخدم Raspberry Pi. تمكّن الشبكات العصبية التلافيفية العميقة (CNNs)، المدربة على مجموعات بيانات متنوعة مثل PlantVillage، من تصنيف الأمراض بدقة، بينما تراقب أجهزة الاستشعار الإضافية رطوبة التربة ودرجة الحرارة لتعزيز سياق التشخيص. أظهر النظام مقاييس أداء مثيرة للإعجاب، حيث حقق دقة تدريب بنسبة 99.39%، ودقة تحقق بنسبة 97.47%، ودقة اختبار بنسبة 97.13%، إلى جانب دقة إجمالية تبلغ 99.63% مع دقة عالية، واسترجاع، ودرجة F1، وخصوصية.
في الختام، تؤكد الدراسة على فعالية المنصة الروبوتية في البيئات الزراعية الواقعية، مشددة على قدرتها على إجراء تشخيصات دقيقة دون الحاجة إلى اتصال دائم بالإنترنت. يسمح دمج شبكة CNN المعتمدة على ResNet المحسّنة بمعالجة الصور على متنها واستشعار البيئة، بينما يسهل التقرير القائم على السحابة توصيل المعلومات في الوقت المناسب للمزارعين. تضمن قدرات التنقل الذاتية للنظام تغطية شاملة للميدان، وتعزز اعتماده على الطاقة المتجددة التشغيل المستدام. ستركز الأبحاث المستقبلية على تحسين خوارزميات التنقل، ودمج أنماط استشعار إضافية، وتوسيع نطاق فئات الأمراض القابلة للاكتشاف لتحسين قابلية تطبيق النظام في بيئات زراعية متنوعة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم للزراعة في الأمن الغذائي العالمي والاستقرار الاقتصادي، مشيرة إلى أنها توظف أكثر من 27% من القوة العاملة العالمية. ومع ذلك، يواجه القطاع تحديات كبيرة، لا سيما من أمراض النباتات، التي تتحمل مسؤولية ما يصل إلى 30% من خسائر المحاصيل السنوية، مما يؤدي إلى أضرار اقتصادية كبيرة وزيادة انعدام الأمن الغذائي، خاصة في البلدان ذات الدخل المنخفض والمتوسط. غالبًا ما تكون طرق الكشف التقليدية كثيفة العمالة وغير فعالة في تحديد الأمراض في مراحلها المبكرة، مما يؤدي إلى زيادة انتشار الأمراض وتدهور البيئة بسبب الاستخدام المفرط للمبيدات.
لمعالجة هذه التحديات، تقترح الدراسة نظامًا روبوتيًا ذاتيًا مبتكرًا وفعالًا من حيث التكلفة يعمل بالطاقة الشمسية، ويستخدم تقنيات التعلم العميق وإنترنت الأشياء (IoT) للكشف عن أمراض النباتات في الوقت الحقيقي. يدمج النظام كاميرا عالية الدقة، ومعالجًا يعتمد على Raspberry Pi، وأجهزة استشعار بيئية لمراقبة صحة النباتات بشكل ديناميكي. من خلال استخدام نماذج التعلم العميق المدربة على مجموعات بيانات واسعة، مثل PlantVillage، يهدف النظام إلى تقديم تشخيصات دقيقة مع تعزيز الاستدامة والتنقل في البيئات الزراعية. تسعى هذه الأبحاث إلى جعل التشخيصات الزراعية المتقدمة متاحة للمزارعين من أصحاب الحيازات الصغيرة والمتوسطة، مما يدعم الكشف المبكر عن الأمراض وتطبيق المبيدات بدقة.
الطرق
توضح قسم المنهجية تصميم نظام الكشف عن أمراض الزراعة، مع التركيز على دمج تقنيات الاستشعار، وهندسة النظام، وتدابير الأمان. يتم اقتراح إطار عمل منظم لإنترنت الأشياء (IoT)، مما يسهل تدفق البيانات بشكل موثوق من أجهزة الاستشعار في الحقول إلى المزارعين. يتم تبرير اختيار منصة روبوتية أرضية تعمل بالطاقة الشمسية بناءً على المتطلبات التشغيلية مثل النطاق وكفاءة الطاقة. تتكون هندسة النظام من طبقات متعددة، تشمل طبقات الإدراك، والشبكة، والحافة، والتطبيق، حيث تساهم كل منها في الوظائف العامة وموثوقية النظام. تستخدم طبقة الإدراك أجهزة استشعار بيئية وصور لجمع البيانات، بينما تستخدم طبقة الشبكة بروتوكولات خفيفة مثل MQTT وLoRa مع تشفير TLS لنقل البيانات بشكل آمن. تقوم طبقة الحافة بإجراء استدلال الشبكة العصبية التلافيفية (CNN) محليًا على Raspberry Pi لتعزيز أوقات الاستجابة، وتقدم طبقة التطبيق تحليلات وتنبيهات في الوقت الحقيقي للمزارعين.
بالإضافة إلى ذلك، يسلط القسم الضوء على أهمية معالجة التهديدات السيبرانية الفيزيائية من خلال تدابير أمان قوية، بما في ذلك الاتصالات المشفرة وأنظمة كشف التسلل. يهدف النظام المقترح إلى جمع البيانات وتحليلها بشكل مستمر، مما يمكّن من الكشف عن الأمراض في الوقت المناسب ودعم اتخاذ القرار للمزارعين. كما يتم الإشارة بإيجاز إلى الإعداد التجريبي، مما يدل على أنه يتضمن تكوينات الأجهزة والبرامج، وخصائص مجموعة البيانات، وإجراءات التدريب لضمان إمكانية إعادة الإنتاج وفهم شامل لإطار نموذج الكشف.
النتائج
تسلط النتائج المقدمة في هذا القسم الضوء على التحسينات الكبيرة في الأداء التي تم تحقيقها من خلال تطبيق استراتيجيات تحسين متنوعة على نموذج الكشف عن أمراض النباتات. كما هو موضح في الجدول 2، يؤدي تنفيذ هذه التقنيات التحسينية إلى زيادة ملحوظة في الدقة، مما يبرز فعاليتها في تحسين أداء النموذج. يوفر هذا التحليل دليلًا قويًا على أهمية التحسين في تعزيز موثوقية أنظمة الكشف عن أمراض النباتات.
المناقشة
تقدم الأبحاث نظامًا روبوتيًا ذاتيًا يعمل بالطاقة الشمسية مصممًا للكشف عن أمراض النباتات في الوقت الحقيقي، مع دمج تقنيات متقدمة مثل التعلم العميق، وأجهزة استشعار التربة المعتمدة على إنترنت الأشياء، والتصوير عالي الدقة. تشمل المساهمات الرئيسية تطوير منصة متنقلة مناسبة للمزارع الصغيرة والمتوسطة، حيث تحقق دقة اختبار بنسبة 97.13% من خلال نماذج التعلم العميق المحسّنة المدربة على مجموعات بيانات واسعة. يعالج النظام فجوات كبيرة في الممارسات الزراعية الحالية من خلال دمج المراقبة البيئية مع تشخيص الأمراض، مما يعزز الاستدامة والأمن الغذائي.
تستعرض مراجعة الأدبيات تطور طرق الكشف عن أمراض النباتات، حيث انتقلت من تقنيات معالجة الصور التقليدية إلى أساليب التعلم الآلي والتعلم العميق. بينما واجهت الطرق السابقة تحديات تتعلق بالتغير البيئي والهندسة اليدوية للميزات، أظهرت نماذج التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، وعدًا في تحقيق دقة تصنيف عالية. ومع ذلك، تكافح العديد من النماذج الحالية مع قابلية التطبيق في العالم الحقيقي بسبب اعتمادها على مجموعات بيانات محكومة ومتطلبات حسابية عالية. يتغلب النظام المقترح على هذه القيود من خلال ضمان قدرات المعالجة في الوقت الحقيقي وكفاءة التشغيل في بيئات زراعية متنوعة، مما يوفر حلاً عمليًا للمزارعين دون الحاجة إلى اتصال دائم بالإنترنت.
DOI: https://doi.org/10.1038/s41598-025-32624-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41526432
Publication Date: 2026-01-12
Author(s): Zhenyun Du et al.
Primary Topic: Smart Agriculture and AI
Overview
This research paper addresses the significant challenge posed by plant diseases to global food security and agricultural sustainability, particularly in areas lacking advanced diagnostic technologies. It introduces an innovative solar-powered autonomous robotic system that utilizes deep learning and Internet of Things (IoT) technologies for real-time plant disease detection. The system features a high-resolution imaging unit, IoT-based environmental sensors, and an onboard processing module utilizing Raspberry Pi. Deep Convolutional Neural Networks (CNNs), trained on diverse datasets such as PlantVillage, enable accurate disease classification, while additional sensors monitor soil moisture and temperature to enhance diagnostic context. The system demonstrated impressive performance metrics, achieving 99.39% training accuracy, 97.47% validation accuracy, and 97.13% testing accuracy, alongside an overall accuracy of 99.63% with high precision, recall, F1-score, and specificity.
In the conclusion, the study emphasizes the effectiveness of the robotic platform in real-world agricultural settings, highlighting its ability to perform accurate diagnoses without the need for constant internet connectivity. The integration of an optimized ResNet-based CNN allows for onboard image processing and ambient sensing, while cloud-based reporting facilitates timely information delivery to farmers. The system’s autonomous navigation capabilities ensure comprehensive field coverage, and its reliance on renewable energy promotes sustainable operation. Future research will focus on enhancing navigation algorithms, incorporating additional sensor modalities, and expanding the range of detectable disease classes to further improve the system’s applicability in diverse agricultural environments.
Introduction
The introduction of this research paper highlights the critical role of agriculture in global food security and economic stability, noting that it employs over 27% of the global workforce. However, the sector faces significant challenges, particularly from plant diseases, which are responsible for up to 30% of annual crop losses, leading to substantial economic damage and heightened food insecurity, especially in low- and middle-income countries. Traditional detection methods are often labor-intensive and ineffective for early-stage disease identification, resulting in increased disease spread and environmental degradation due to excessive pesticide use.
To address these challenges, the study proposes an innovative, cost-effective autonomous robotic system powered by solar energy, utilizing deep learning and Internet of Things (IoT) technologies for real-time plant disease detection. The system integrates a high-resolution camera, a Raspberry Pi-based processor, and environmental sensors to dynamically monitor plant health. By employing deep learning models trained on extensive datasets, such as PlantVillage, the system aims to provide accurate diagnoses while enhancing sustainability and mobility in agricultural settings. This research seeks to make advanced agricultural diagnostics accessible to small- and medium-scale farmers, thereby supporting early disease detection and precise pesticide application.
Methods
The methodology section outlines the design of an agricultural disease detection system, emphasizing the integration of sensing technologies, system architecture, and security measures. A structured Internet of Things (IoT) framework is proposed, facilitating reliable data flow from field sensors to farmers. The choice of a solar-powered ground-based robotic platform is justified based on operational requirements such as range and energy efficiency. The system architecture is layered, comprising the Perception, Network, Edge, and Application Layers, each contributing to the overall functionality and reliability of the system. The Perception Layer utilizes environmental and imaging sensors to collect data, while the Network Layer employs lightweight protocols like MQTT and LoRa with TLS encryption for secure data transmission. The Edge Layer performs local convolutional neural network (CNN) inference on a Raspberry Pi to enhance response times, and the Application Layer delivers real-time analytics and alerts to farmers.
Additionally, the section highlights the importance of addressing cyber-physical threats through robust security measures, including encrypted communication and intrusion detection systems. The proposed system aims for continuous data collection and analysis, enabling timely disease detection and decision support for farmers. The experimental setup is also briefly mentioned, indicating that it includes hardware and software configurations, dataset characteristics, and training procedures to ensure reproducibility and a comprehensive understanding of the detection model’s framework.
Results
The results presented in this section highlight the substantial performance enhancements achieved through the application of various optimization strategies to the plant disease detection model. As detailed in Table 2, the implementation of these optimization techniques leads to a marked increase in accuracy, underscoring their effectiveness in improving model performance. This analysis provides compelling evidence for the importance of optimization in enhancing the reliability of plant disease detection systems.
Discussion
The research presents a solar-powered autonomous robotic system designed for real-time plant disease detection, integrating advanced technologies such as deep learning, IoT-based soil sensors, and high-resolution imaging. Key contributions include the development of a mobile platform suitable for small- to medium-scale farms, achieving a testing accuracy of 97.13% through optimized deep learning models trained on extensive datasets. The system addresses significant gaps in current agricultural practices by combining environmental monitoring with disease diagnosis, thus enhancing sustainability and food security.
The literature review highlights the evolution of plant disease detection methods, transitioning from traditional image processing techniques to machine learning and deep learning approaches. While earlier methods faced challenges related to environmental variability and manual feature engineering, deep learning models, particularly Convolutional Neural Networks (CNNs), have shown promise in achieving high classification accuracies. However, many existing models struggle with real-world applicability due to their reliance on controlled datasets and high computational demands. The proposed system overcomes these limitations by ensuring real-time processing capabilities and operational efficiency in diverse agricultural settings, thereby providing a practical solution for farmers without the need for constant internet connectivity.