DOI: https://doi.org/10.1038/s41598-025-90487-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40204810
تاريخ النشر: 2025-04-09
المؤلف: Wasswa Shafik وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم هذه الدراسة نموذج تعلم عميق جديد يسمى “AgarwoodNet”، مصمم لمعالجة التحديات التي تطرحها مسببات الأمراض والآفات النباتية التي تؤثر سلبًا على الإنتاجية الزراعية والأمن الغذائي. يعتمد النموذج على مجموعة بيانات جديدة، وهي مجموعة بيانات آفات وأمراض خشب العود (APDD)، التي تتكون من 5,472 صورة لأوراق خشب العود عبر 14 فئة، إلى جانب مجموعة بيانات آفات وأمراض النباتات في تركيا (TPPD) التي تحتوي على 4,447 صورة من 15 فئة من نباتات متنوعة. تم تدريب AgarwoodNet باستخدام مجموعة أدوات التعلم العميق MATLAB وأظهر مقاييس أداء ملحوظة، محققًا درجات متوسطة ماكرو تبلغ 0.9666 و0.9714 و0.9859 في الدقة والاسترجاع ودرجات F1، على التوالي، ودرجة كابا تبلغ 0.9859 على APDD. عند تقييمه على TPPD، حقق درجات تبلغ 95.85% و96.13% و95.90%، مع درجة كابا تبلغ 96.84%، كل ذلك مع الحفاظ على حجم نموذج خفيف يبلغ 37 ميغابايت.
تعتبر هذه الدراسة مهمة لأنها الأولى التي تركز على آفات وأمراض خشب العود، مقدمة مجموعة بيانات فريدة تفتقر إلى نماذج مقارنة سابقة. على الرغم من أدائها المثير للإعجاب، فإن AgarwoodNet له قيود، بما في ذلك مشكلات في القابلية للتفسير، وقابلية النقل، والأداء في البيئات الديناميكية. قد تتضمن الأعمال المستقبلية نشر النموذج على الأجهزة الفعلية، واستخدام تقنيات ضغط متقدمة، وتعزيز المتانة والقدرة على التفسير بما يتماشى مع ممارسات الذكاء الاصطناعي المستدام. بشكل عام، يمثل AgarwoodNet أداة واعدة للتصنيف والكشف الدقيق والفعال عن أمراض النباتات، داعمًا التطبيقات الزراعية المستدامة.
الطرق
في هذه الدراسة، تم استخدام تقنيات التعلم العميق للكشف عن وتصنيف آفات وأمراض النباتات باستخدام مجموعتين من البيانات تتكون من صور RGB. شملت المنهجية جمع البيانات، والمعالجة المسبقة، والتعزيز، إلى جانب وصف شامل للنماذج المقترحة والمعدة مسبقًا المستخدمة في التحليل. تم إجراء تدريب وتقييم النماذج على نظام تشغيل 64 بت يحتوي على معالج Intel Core i7-9700، وذاكرة وصول عشوائي سعتها 16 جيجابايت، وNvidia GeForce RTX 2070، باستخدام مجموعة أدوات التعلم العميق MATLAB R2024a.
يوضح المخطط الانسيابي المقدم في الشكل 1 سير عمل النموذج المقترح، الذي يشمل جمع صور خشب العود، تليه عمليات التدريب والتصنيف. تسلط هذه الطريقة المنظمة الضوء على المنهجية المنهجية المعتمدة للكشف الفعال عن الآفات والأمراض في النباتات.
النتائج
في قسم النتائج، يقدم المؤلفون تحليل أداء شامل لنموذجهم المقترح عبر مجموعتين متميزتين من البيانات. تشمل النتائج الرئيسية تقييمًا مفصلًا لحجم النموذج، مما يبرز التوازن بين التعقيد والكفاءة. تشير النتائج إلى أن النموذج المقترح يتفوق على الشبكات العصبية التلافيفية (CNNs) الحالية من حيث الدقة ووقت التنفيذ، مما يوضح فعاليته للمهام المطروحة. بالإضافة إلى ذلك، تضع المناقشة هذه النتائج في سياق المنهجيات الحالية، مما يبرز مزايا النهج الجديد على النماذج التقليدية.
المناقشة
تسلط المناقشة الضوء على التحديات المتزايدة التي تطرحها الآفات والأمراض على الأمن الغذائي العالمي، مما يبرز الدور الحاسم للكشف في الوقت المناسب في تعزيز الغلات الزراعية. يكشف استعراض تطبيقات الذكاء الاصطناعي (AI) الحالية في الكشف وتصنيف الأنواع النباتية والآفات والأمراض عن تقدم كبير، خاصة من خلال تقنيات التعلم العميق (DL). من الجدير بالذكر أن النموذج المقترح CAS-MODMOBNET حقق دقة متوسطة مثيرة للإعجاب تبلغ 99.8% ومنطقة تحت المنحنى (AUC) تبلغ 1.0، متفوقًا على نماذج التعلم الانتقالي (TL) الحالية. كما أظهرت نماذج أخرى، مثل DenseNet، معدلات دقة عالية (99-100%) في تطبيقات معينة، مما يبرز فعالية DL في السياقات الزراعية.
تحدد الدراسة أيضًا التحديات الشائعة التي تواجه النماذج الحالية، بما في ذلك عدم كفاءة الحساب، والتكيف المفرط، ومشكلات القابلية للتوسع. لمعالجة هذه المشكلات، يقترح المؤلفون تطوير نموذج خفيف وفعال، AgarwoodNet، مصمم خصيصًا لتصنيف أمراض وآفات الإجهاد الحيوي في أشجار خشب العود. تم تقييم أداء النموذج عبر مجموعتين من البيانات، محققًا دقة إجمالية تبلغ 96.66% و95.85%، مع مقاييس دقة واسترجاع عالية. يشير ذلك إلى إمكانية استخدام AgarwoodNet كأداة تشخيصية عملية للتطبيقات الزراعية في العالم الحقيقي، قادرة على العمل في ظل ظروف بيئية معقدة مع الحفاظ على أداء قوي. تُقترح استراتيجيات مستقبلية لتحسين تصنيف الإجهاد الحيوي، مع التأكيد على الحاجة إلى أطر ذكاء اصطناعي قابلة للتفسير وأخلاقية في الممارسات الزراعية.
DOI: https://doi.org/10.1038/s41598-025-90487-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40204810
Publication Date: 2025-04-09
Author(s): Wasswa Shafik et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents a novel deep learning model named “AgarwoodNet,” designed to address the challenges posed by plant pathogens and pests that adversely affect agricultural productivity and food security. The model is built upon a new dataset, the Agarwood pest and disease dataset (APDD), which comprises 5,472 images of Agarwood leaves across 14 classes, alongside the Turkey Plant Pests and Diseases (TPPD) dataset containing 4,447 images from 15 classes of various plants. AgarwoodNet was trained using the MATLAB deep learning toolbox and demonstrated remarkable performance metrics, achieving Macro-average scores of 0.9666, 0.9714, and 0.9859 in Precision, Recall, and F1 Scores, respectively, and a Kappa score of 0.9859 on the APDD. When evaluated on the TPPD, it attained scores of 95.85%, 96.13%, and 95.90%, with a Kappa of 96.84%, all while maintaining a lightweight model size of 37 megabytes.
This study is significant as it is the first to focus on agarwood pests and diseases, providing a unique dataset that lacks prior comparative models. Despite its impressive performance, AgarwoodNet has limitations, including issues with interpretability, transferability, and performance in dynamic environments. Future work may involve deploying the model on actual hardware, employing advanced compression techniques, and enhancing robustness and explainability in line with sustainable artificial intelligence practices. Overall, AgarwoodNet represents a promising tool for precise and efficient classification and detection of plant diseases, supporting sustainable agricultural applications.
Methods
In this study, deep learning techniques were employed to detect and classify plant pests and diseases using two datasets comprised of RGB images. The methodology included data collection, preprocessing, and augmentation, alongside a comprehensive description of the proposed and pre-trained models utilized in the analysis. The training and evaluation of the models were conducted on a 64-bit operating system featuring an Intel Core i7-9700 CPU, 16 GB of RAM, and an Nvidia GeForce RTX 2070, utilizing the MATLAB R2024a deep learning toolbox.
The flowchart presented in Figure 1 illustrates the proposed model’s workflow, which encompasses the collection of Agarwood images, followed by the training and classification processes. This structured approach highlights the systematic methodology adopted for effective pest and disease detection in plants.
Results
In the Results section, the authors present a comprehensive performance analysis of their proposed model across two distinct datasets. Key findings include a detailed evaluation of model size, which highlights the trade-offs between complexity and efficiency. The results indicate that the proposed model outperforms existing convolutional neural networks (CNNs) in terms of accuracy and execution time, demonstrating its effectiveness for the tasks at hand. Additionally, the discussion contextualizes these findings within the broader landscape of current methodologies, emphasizing the advantages of the new approach over traditional models.
Discussion
The discussion highlights the escalating challenges posed by pests and diseases to global food security, emphasizing the critical role of timely detection in enhancing agricultural yields. A review of current artificial intelligence (AI) applications in the detection and classification of plant species, pests, and diseases reveals significant advancements, particularly through deep learning (DL) techniques. Notably, the proposed CAS-MODMOBNET model achieved an impressive average accuracy of 99.8% and an area under the curve (AUC) of 1.0, outperforming existing transfer learning (TL) models. Other models, such as DenseNet, also demonstrated high accuracy rates (99-100%) in specific applications, underscoring the effectiveness of DL in agricultural contexts.
The research further identifies common challenges faced by existing models, including computational inefficiencies, overfitting, and scalability issues. To address these, the authors propose the development of a lightweight and efficient model, AgarwoodNet, specifically designed for classifying biotic stress diseases and pests in agarwood trees. The model’s performance was evaluated across two datasets, achieving overall accuracies of 96.66% and 95.85%, with high precision and recall metrics. This indicates AgarwoodNet’s potential as a practical diagnostic tool for real-world agricultural applications, capable of operating under complex environmental conditions while maintaining robust performance. Future strategies are suggested to optimize biotic stress classification, emphasizing the need for explainable and ethical AI frameworks in agricultural practices.