DOI: https://doi.org/10.1038/s41598-026-41723-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41735486
تاريخ النشر: 2026-02-24
المؤلف: Saiprasad Potharaju وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم هذه البحث إطارًا آليًا وقابلًا للتفسير للتعرف المبكر على أمراض أوراق الفاصوليا، وبالتحديد بقعة الأوراق الزاوية وصدأ الفاصوليا، باستخدام بنية محول الرؤية (ViT-B/16) التي تم تحسينها من خلال التعلم الانتقالي من ImageNet. تتناول الدراسة قيود طرق الفحص البصري التقليدية، التي تتطلب جهدًا كبيرًا وتكون ذات طابع شخصي، من خلال استخدام تقنيات التعلم العميق التي تقدم دقة عالية في تصنيف أمراض النباتات. يعالج نموذج ViT الصور كسلاسل من اللطخات المسطحة، مما يمكنه من التقاط الاعتماديات بعيدة المدى والأنماط السياقية العالمية، وبالتالي تعزيز اكتشاف أعراض الأمراض الدقيقة التي غالبًا ما تفوتها الشبكات العصبية التلافيفية التقليدية (CNNs).
لتحسين قابلية التفسير، يتضمن الإطار GradCAM++، وهو آلية ذكاء اصطناعي قابلة للتفسير (XAI) تولد خرائط حرارية محددة الفئة، مما يبرز بصريًا المناطق في الورقة التي تؤثر على توقعات النموذج. تعزز هذه الميزة الثقة والفهم بين المزارعين وعلماء الزراعة، مما يسهل اتخاذ قرارات مستنيرة. حقق النموذج المقترح دقة تحقق بلغت 97.52% على مجموعة بيانات I-Bean، إلى جانب مقاييس أداء قوية مثل الدقة والاسترجاع ودرجة F1. يضع دمج التعلم العالمي عالي السعة مع القابلية البصرية للتفسير هذا الإطار كحل قابل للتوسع وعملي للزراعة الدقيقة، مما يجسر الفجوة بين أداء النموذج وثقة المستخدم، ويعزز إدارة الأمراض في الوقت المناسب في بيئات الزراعة الحديثة.
مقدمة
التحديات التي تطرحها الضغوط البيئية، والآفات، والأمراض. هذه العوامل لا تهدد فقط إنتاجية Phaseolus vulgaris L. ولكنها أيضًا تضر بجودتها الغذائية، مما يؤثر على الأمن الغذائي وسبل العيش في الفئات السكانية الضعيفة.
تهدف التطورات الحديثة في الممارسات الزراعية وتقنيات التربية إلى تعزيز مرونة الفاصوليا الشائعة ضد هذه الصعوبات. يبرز هذا البحث ضرورة دمج طرق الزراعة المستدامة والتحسينات الجينية لتعزيز إنتاجية وقدرة Phaseolus vulgaris L. في مواجهة الظروف المناخية المتغيرة وزيادة الطلب على الغذاء. تؤكد النتائج على أهمية إعطاء الأولوية لهذه المحصول ضمن استراتيجيات الأمن الغذائي العالمية لضمان استمراره في دعم التغذية والاستقرار الاقتصادي في المناطق المتأثرة.
الطرق
توضح قسم “الطرق” في ورقة البحث المواد التجريبية والمنهجيات المستخدمة لضمان الشفافية وقابلية التكرار. يبدأ بوصف مفصل للمواد المستخدمة، يليه عرض شامل للمنهجية المقترحة لتصنيف أمراض أوراق الفاصوليا. يتضمن ذلك نظرة عامة على بنية النظام، وعمل نموذج محول الرؤية، واستراتيجية التعلم الانتقالي المنفذة، ودمج وحدة التفسير.
بالإضافة إلى ذلك، يتناول القسم النتائج التجريبية، موضحًا الإعداد البيئي وتكوينات المعلمات الفائقة المستخدمة خلال تقييم أداء نموذج محول الرؤية. يتم دعم التقييم من خلال مقاييس كمية وتحليلات بصرية نوعية، مما يوفر تقييمًا شاملاً لفعالية النموذج في سياق الدراسة.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التحديات الكبيرة التي تطرحها مسببات الأمراض الفطرية، مثل بقعة الأوراق الزاوية (ALS) وصدأ الفاصوليا، والتي تؤثر بشدة على إنتاجية وجودة المحاصيل. تعتبر الطرق التقليدية لاكتشاف الأمراض، التي تعتمد على الفحوصات اليدوية من قبل علماء الزراعة، مستهلكة للوقت وغالبًا ما تفتقر إلى الخصوصية والحساسية اللازمة. وقد أدى ذلك إلى اهتمام متزايد في استخدام التقنيات المتقدمة، وخاصة الرؤية الحاسوبية والذكاء الاصطناعي (AI)، لتسهيل المراقبة القابلة للتوسع والموضوعية لصحة المحاصيل. يهدف دمج نماذج التعلم العميق القابلة للتفسير، مثل تلك التي تجمع بين الشبكات العصبية التلافيفية (CNNs) والمحولات، إلى تعزيز كل من الدقة التنبؤية وشفافية عمليات اتخاذ القرار، مما يعزز الثقة بين المزارعين.
أظهرت التطورات الحديثة في التعلم الآلي دقة عالية في اكتشاف الأمراض الفطرية، مع نماذج مثل ResNeXt المعدلة التي تحقق دقة تصل إلى 98.92% في تحديد العدوى عبر مختلف المحاصيل الفاكهية. ومع ذلك، لا تزال هناك تحديات، خاصة في تعميم النموذج عبر ظروف زراعية متنوعة والحاجة إلى تفسير شفاف في التوقعات. تعالج الدراسة المقترحة هذه القضايا من خلال تطوير نموذج هجين يجمع بين قدرات استخراج الميزات لمحولات الرؤية مع تقنيات الذكاء الاصطناعي القابلة للتفسير، وبالتحديد GradCAM++. يهدف هذا النهج ليس فقط إلى تصنيف أمراض أوراق الفاصوليا الشائعة بدقة ولكن أيضًا إلى تقديم تفسيرات بصرية لتوقعات النموذج، مما يعزز ثقة المستخدم ويسهل اتخاذ قرارات مستنيرة في الممارسات الزراعية. يؤكد البحث على ضرورة وجود أدوات تشخيص موثوقة وآلية تكون دقيقة ومفهومة، مما يسهم في تحسين الأمن الغذائي وإدارة الموارد في الزراعة.
القيود
يظهر إطار محول الرؤية المقترح دقة تصنيف عالية وقابلية للتفسير؛ ومع ذلك، فإنه يواجه قيودًا كبيرة بسبب تعقيده الحسابي. يتطلب النموذج موارد GPU كبيرة للتفسير في الوقت الحقيقي، مما يطرح تحديات للنشر على الأجهزة الطرفية ذات الموارد المحدودة مثل الهواتف الذكية، والأنظمة المدمجة ذات الطاقة المنخفضة، والطائرات بدون طيار. هذه القيود ذات صلة خاصة في التطبيقات الزراعية، حيث يتم استخدام مثل هذه الأجهزة بشكل شائع. وبالتالي، قد تعيق التنفيذ العملي للإطار في البيئات التي تكون فيها الموارد الحسابية محدودة.
DOI: https://doi.org/10.1038/s41598-026-41723-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41735486
Publication Date: 2026-02-24
Author(s): Saiprasad Potharaju et al.
Primary Topic: Smart Agriculture and AI
Overview
This research presents an automated and explainable framework for the early identification of bean leaf diseases, specifically Angular Leaf Spot and Bean Rust, utilizing a Vision Transformer (ViT-B/16) architecture optimized through transfer learning from ImageNet. The study addresses the limitations of conventional visual inspection methods, which are labor-intensive and subjective, by employing deep learning techniques that offer high accuracy in plant disease classification. The ViT model processes images as sequences of flattened patches, enabling it to capture long-range dependencies and global contextual patterns, thus enhancing the detection of subtle disease symptoms often missed by traditional convolutional neural networks (CNNs).
To improve interpretability, the framework incorporates GradCAM++, an explainable artificial intelligence (XAI) mechanism that generates class-specific heatmaps, visually highlighting the regions of the leaf that influence the model’s predictions. This feature fosters trust and understanding among farmers and agronomists, facilitating informed decision-making. The proposed model achieved a validation accuracy of 97.52% on the I-Bean dataset, alongside strong performance metrics such as precision, recall, and F1-score. The integration of high-capacity global feature learning with visual explainability positions this framework as a scalable and practical solution for precision agriculture, bridging the gap between model performance and user trust, and promoting timely disease management in modern farming environments.
Introduction
the challenges posed by environmental stressors, pests, and diseases. These factors not only threaten the yield of Phaseolus vulgaris L. but also compromise its nutritional quality, thereby impacting food security and livelihoods in vulnerable populations.
Recent advancements in agricultural practices and breeding techniques aim to enhance the resilience of common beans against such adversities. This research highlights the necessity of integrating sustainable agricultural methods and genetic improvements to bolster the productivity and adaptability of Phaseolus vulgaris L. in the face of changing climatic conditions and increasing demand for food. The findings underscore the importance of prioritizing this crop within global food security strategies to ensure its continued role in supporting nutrition and economic stability in affected regions.
Methods
The “Methods” section of the research paper outlines the experimental materials and methodologies employed to ensure transparency and reproducibility. It begins with a detailed description of the materials used, followed by a comprehensive exposition of the proposed methodology for classifying bean leaf diseases. This includes an overview of the system architecture, the functioning of the Vision Transformer model, the transfer learning strategy implemented, and the integration of an explainability module.
Additionally, the section elaborates on the experimental results, detailing the environmental setup and hyperparameter configurations used during the evaluation of the Vision Transformer model’s performance. The evaluation is supported by both quantitative metrics and qualitative visual analyses, providing a thorough assessment of the model’s effectiveness in the context of the study.
Discussion
The discussion section of the paper highlights the significant challenges posed by fungal pathogens, such as Angular Leaf Spot (ALS) and Bean Rust, which severely impact crop yields and quality. Traditional methods of disease detection, reliant on manual inspections by agronomists, are time-consuming and often lack the necessary specificity and sensitivity. This has led to a growing interest in employing advanced technologies, particularly computer vision and artificial intelligence (AI), to facilitate scalable and objective monitoring of crop health. The integration of explainable deep learning models, such as those combining Convolutional Neural Networks (CNNs) and Transformers, aims to enhance both predictive accuracy and the transparency of decision-making processes, thereby fostering trust among farmers.
Recent advancements in machine learning have demonstrated high accuracy in detecting fungal diseases, with models like modified ResNeXt achieving up to 98.92% accuracy in identifying infections across various fruit crops. However, challenges remain, particularly in model generalization across diverse agricultural conditions and the need for transparent reasoning in predictions. The proposed study addresses these issues by developing a hybrid model that combines the feature extraction capabilities of Vision Transformers with explainable AI techniques, specifically GradCAM++. This approach not only aims to classify common bean leaf diseases accurately but also provides visual explanations for the model’s predictions, thereby enhancing user trust and facilitating informed decision-making in agricultural practices. The research emphasizes the necessity for reliable, automated diagnostic tools that are both accurate and comprehensible, ultimately contributing to improved food security and resource management in agriculture.
Limitations
The proposed Vision Transformer framework demonstrates high classification accuracy and interpretability; however, it faces significant limitations due to its computational complexity. The model necessitates substantial GPU resources for real-time inference, which poses challenges for deployment on resource-constrained edge devices such as smartphones, low-powered embedded systems, and drones. This limitation is particularly pertinent in agricultural applications, where such devices are commonly utilized. Consequently, the framework’s practical implementation may be hindered in environments where computational resources are limited.