DOI: https://doi.org/10.3389/fpls.2026.1736123
PMID: https://pubmed.ncbi.nlm.nih.gov/41815421
تاريخ النشر: 2026-02-24
المؤلف: Mikjael Moreano وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث نظامًا جديدًا للتعرف التلقائي على مرضين شائعين في الأفوكادو، وهما الأنثراكنوز (Colletotrichum gloeosporioides) والقشرة (Sphaceloma perseae)، اللذان يسهمان معًا في خسائر سنوية كبيرة في إنتاج الأفوكادو. باستخدام بنية تصويت ثنائية متسلسلة (VotingBS) مدمجة مع تطبيق ويب، يستخدم النظام استراتيجية تصنيف هرمية من مرحلتين. تستخدم المرحلة الأولى مجموعة من خمسة نماذج تعلم عميق لتمييز بين الفواكه الصحية والمريضة، بينما تحدد المرحلة الثانية المرض المحدد الموجود. تم تدريب النموذج والتحقق من صحته على مجموعة بيانات تتكون من 674 صورة فاكهة مصنفة، محققًا مقاييس أداء مثيرة للإعجاب: 98.92% دقة، 98.89% استرجاع، و99.03% دقة، متفوقًا بذلك على الطرق التشخيصية التقليدية.
تخلص الدراسة إلى أن بنية VotingBS لا تعزز فقط قدرات الكشف عن الأمراض ولكنها تسهل أيضًا التطبيق العملي من خلال منصة ويب مصممة لإدارة المحاصيل والتحليل النباتي. على الرغم من النتائج الواعدة، تعترف البحث بالقيود المتعلقة بمجموعة البيانات وتقترح تحسينات مستقبلية، بما في ذلك التكامل مع أنظمة الزراعة الدقيقة لمراقبة مستوى القطعة وتوسيعها لتشمل أمراض إضافية. يبرز هذا العمل إمكانيات دمج تقنيات التعلم العميق المتقدمة مع أدوات رقمية متاحة لتحسين تشخيص أمراض النباتات وتعزيز ممارسات الزراعة المستدامة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية الأفوكادو (Persea Americana Mill.) كفاكهة مستهلكة على نطاق واسع، خاصة في الأمريكتين، بسبب فوائده الصحية وخصائصه النشطة بيولوجيًا. الأفوكادو غني بالأحماض الدهنية الأحادية غير المشبعة والأحماض الدهنية المتعددة غير المشبعة، والفيتوستيرولات، والفيتامينات القابلة للذوبان في الدهون، التي تساهم بشكل إيجابي في الصحة الأيضية والوقاية من الأمراض المزمنة. في عام 2023، كان ثاني أكثر الفواكه الاستوائية تصديرًا على مستوى العالم، مع المكسيك وبيرو كأكبر المصدرين. ومع ذلك، تواجه محاصيل الأفوكادو تهديدات كبيرة من الفطريات المسببة للأمراض، وخاصة الأنثراكنوز (Colletotrichum gloeosporioides) والقشرة (Sphaceloma perseae)، مما يؤدي إلى خسائر كبيرة في الغلة والجودة. غالبًا ما تكون الطرق التشخيصية التقليدية المعتمدة على الفحص البصري غير كافية، خاصة بالنسبة للمزارعين الصغار، مما يخلق حاجة إلى أدوات تشخيصية أكثر سهولة وكفاءة.
لمعالجة هذه الفجوة، يقدم البحث ApaltAI، وهو نظام تشخيصي متكامل قائم على الويب يستخدم بنية قرار جديدة تسمى VotingBS (التصويت الثنائي المتسلسل). تعزز هذه البنية موثوقية التشخيص من خلال تقسيم عملية التصنيف إلى نهج هرمي من مرحلتين، مما يقلل من انتشار الأخطاء. تؤكد الورقة على إمكانيات التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، في التطبيقات الزراعية، بما في ذلك الكشف عن الأمراض. بينما أظهرت الدراسات الحالية دقة عالية في نماذج الكشف عن الأمراض، فإنها غالبًا ما تفتقر إلى حلول نشر عملية. يهدف ApaltAI إلى سد هذه الفجوة من خلال توفير منصة سهلة الاستخدام تدمج قدرات تشخيصية متقدمة، محققة أداءً مرجعيًا بدقة واسترجاع ودقة تتجاوز 98.9% في الكشف عن أمراض الأفوكادو. توضح الورقة هيكل المقالة، الذي يتضمن مراجعة للأعمال ذات الصلة، والمنهجية، والنتائج التجريبية، واتجاهات البحث المستقبلية.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. تشمل المنهجية البروتوكولات المتبعة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، مثل درجة الحرارة، والمدة، وأي ضوابط تم تنفيذها للتحقق من النتائج. يضمن هذا النهج الصارم أن تكون النتائج موثوقة ويمكن مقارنتها مع دراسات أخرى في هذا المجال. بشكل عام، تعتبر الطرق المستخدمة حاسمة لفهم صلاحية نتائج البحث.
نتائج
تلخص قسم النتائج أداء نماذج التعلم العميق (DL) المختلفة المطبقة على أنواع المحاصيل المختلفة باستخدام مجموعات بيانات متميزة. بشكل ملحوظ، تختلف دقة (Acc) هذه النماذج بشكل كبير عبر الدراسات، حيث كانت أعلى دقة مسجلة 99.20% لمهمة تصنيف التفاح باستخدام نموذج AIE-ALDC من تأليف Al-Wesabi وآخرون (2022). تشمل الأداءات الملحوظة الأخرى دقة 98.42% لتصنيف الأفوكادو باستخدام نموذج MSCA-PSCO MobileNetV2 من تأليف Mishra وآخرون (2022) ودقة 98.01% لمهمة تصنيف متعددة المحاصيل تشمل الطماطم، والذرة، والتفاح من تأليف Polly وDevi (2024).
كما يتناول القسم بناء نموذج DL هجين، يسمى VotingBS، الذي يستخدم التعلم الانتقالي عبر خمسة بنى: DenseNet121، ResNet50، InceptionV3، VGG16، وEfficientNetB2. تم تصميم هذا النموذج لتصنيف صور الأفوكادو إلى فئات “صحية” أو مريضة (قشرة أو أنثراكنوز) من خلال آلية تصويت ثنائية متسلسلة. بالإضافة إلى ذلك، يتم تقديم مصفوفات الارتباك لتسعة نماذج DL المنفذة، موضحة أدائها عبر ثلاث فئات من أمراض الأفوكادو، مع مزيج من النماذج الفردية والهجينة التي تساهم في التحليل.
مناقشة
يقدم البحث نظامًا جديدًا للكشف عن الأمراض في ثمار الأفوكادو، مستفيدًا من تقنيات التعلم العميق (DL)، وخاصة من خلال بنية VotingBS. تستخدم هذه البنية آلية تصويت متسلسلة من مرحلتين، حيث تقوم خمسة نماذج مختلفة من الشبكات العصبية التلافيفية (CNN) أولاً بتصنيف الثمرة على أنها صحية أو مريضة. إذا تم اعتبارها غير صحية، تميز المرحلة الثانية بين الأمراض الأنثراكنوز والقشرة. استخدمت الدراسة مجموعة بيانات تتكون من 674 صورة، محققة مقاييس أداء مثيرة للإعجاب: 98.92% دقة، 98.89% استرجاع، و99.03% دقة، مما تفوق على كل من النماذج الفردية والهجينة التي تم الإبلاغ عنها سابقًا في الأدبيات.
تم هيكلة النظام في ثلاثة وحدات رئيسية: وحدة المحاصيل لإدارة المستخدم لإدخالات المحاصيل، وحدة التحليل لمعالجة الصور وتحديد الأمراض، ووحدة التشخيص لتوفير معلومات تشخيصية مفصلة وتوصيات علاجية. تؤكد النتائج على فعالية بنية VotingBS في تقليل الأخطاء التراكمية المرتبطة بالنماذج التقليدية من خلال تقسيم المهمة التشخيصية إلى مكونات أبسط. لا تعزز هذه الطريقة دقة التشخيص فحسب، بل تؤسس أيضًا إطارًا يمكن تكييفه لمحاصيل أخرى تواجه تحديات مرضية مماثلة، مما يعزز ممارسات الزراعة المستدامة من خلال حلول إدارة الأمراض في الوقت المناسب والمتاحة.
القيود
ترتبط قيود بنية VotingBS بشكل أساسي بمجموعة البيانات المستخدمة في الدراسة، التي تتكون فقط من 674 عينة من مصادر مختلطة. تفتقر هذه المجموعة إلى حالات العدوى المشتركة للأمراض والأعراض المبكرة، مما يشير إلى أن الدقة العالية المبلغ عنها تعكس الأداء الأمثل على مجموعة بيانات مختارة بدلاً من تقييم شامل. وبالتالي، يجب تفسير النتائج على أنها إثبات لمفهوم بدلاً من تقييم نهائي لفعالية النموذج في سيناريوهات العالم الحقيقي المتنوعة.
يجب أن تركز الأعمال المستقبلية على التحقق من قدرات تعميم النموذج باستخدام مجموعة بيانات أكبر، تم جمعها بشكل مستقبلي، تشمل كل تنوع ظروف البستان الحقيقية، بما في ذلك التغيرات في الإضاءة، والاعتراضات، وتجليات الأمراض المعقدة. بالإضافة إلى ذلك، فإن التحقق التشغيلي من نظام ApaltAI أمر حاسم، والذي يشمل تقييمات أداء رسمية تحت ظروف تحميل عالية وانخفاض الاتصال، بالإضافة إلى اختبارات قبول المستخدم (UAT) مع مزارعي الأفوكادو. هذه الخطوات ضرورية لتحويل النظام من نموذج أولي قوي إلى أداة زراعية عملية وموثوقة.
DOI: https://doi.org/10.3389/fpls.2026.1736123
PMID: https://pubmed.ncbi.nlm.nih.gov/41815421
Publication Date: 2026-02-24
Author(s): Mikjael Moreano et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents a novel system for the automated identification of two prevalent avocado diseases, anthracnose (Colletotrichum gloeosporioides) and scab (Sphaceloma perseae), which collectively contribute to significant annual losses in avocado production. Utilizing a binary sequential voting architecture (VotingBS) integrated with a web application, the system employs a hierarchical two-stage classification strategy. The first stage utilizes a five-model deep learning ensemble to distinguish between healthy and diseased fruits, while the second stage identifies the specific disease present. The model was trained and validated on a dataset of 674 labeled fruit images, achieving impressive performance metrics: 98.92% precision, 98.89% recall, and 99.03% accuracy, thereby outperforming traditional diagnostic methods.
The study concludes that the VotingBS architecture not only enhances disease detection capabilities but also facilitates practical application through a web platform designed for crop management and phytosanitary analysis. Despite the promising results, the research acknowledges limitations related to the dataset and suggests future enhancements, including integration with precision agriculture systems for parcel-level monitoring and expansion to include additional diseases. This work highlights the potential of combining advanced deep learning techniques with accessible digital tools to improve plant disease diagnostics and promote sustainable agricultural practices.
Introduction
The introduction of the research paper highlights the significance of the avocado (Persea Americana Mill.) as a widely consumed fruit, particularly in the Americas, due to its health benefits and bioactive properties. Avocado is rich in monounsaturated and polyunsaturated fatty acids, phytosterols, and fat-soluble vitamins, which contribute positively to metabolic health and chronic disease prevention. In 2023, it was the second most exported tropical fruit globally, with Mexico and Peru as leading exporters. However, avocado crops face significant threats from pathogenic fungi, particularly anthracnose (Colletotrichum gloeosporioides) and scab (Sphaceloma perseae), which lead to substantial yield and quality losses. Traditional diagnostic methods relying on visual inspection are often inadequate, particularly for smallholder farmers, creating a need for more accessible and efficient diagnostic tools.
To address this gap, the study introduces ApaltAI, an integrated web-based diagnostic system that utilizes a novel decision architecture called VotingBS (Binary Sequential Voting). This architecture enhances diagnostic reliability by decomposing the classification process into a hierarchical, two-stage approach, thereby reducing error propagation. The paper emphasizes the potential of deep learning, particularly convolutional neural networks (CNNs), in agricultural applications, including disease detection. While existing studies have demonstrated high accuracy in disease detection models, they often lack practical deployment solutions. ApaltAI aims to bridge this gap by providing a user-friendly platform that integrates advanced diagnostic capabilities, achieving a benchmark performance with precision, recall, and accuracy exceeding 98.9% for avocado disease detection. The paper outlines the structure of the article, which includes a review of related works, methodology, experimental results, and future research directions.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the protocols followed for data collection, including any statistical analyses performed to interpret the results.
Additionally, the section may describe the experimental conditions, such as temperature, duration, and any controls implemented to validate the findings. This rigorous approach ensures that the results are reliable and can be compared with other studies in the field. Overall, the methods employed are critical for understanding the validity of the research outcomes.
Results
The results section summarizes the performance of various deep learning (DL) models applied to different crop types using distinct datasets. Notably, the accuracy (Acc) of these models varies significantly across studies, with the highest recorded accuracy being 99.20% for an Apple classification task using the AIE-ALDC model by Al-Wesabi et al. (2022). Other notable performances include a 98.42% accuracy for avocado classification using the MSCA-PSCO MobileNetV2 model by Mishra et al. (2022) and a 98.01% accuracy for a multi-crop classification task involving tomatoes, corn, and apples by Polly and Devi (2024).
The section also details the construction of a hybrid DL model, termed VotingBS, which employs transfer learning across five architectures: DenseNet121, ResNet50, InceptionV3, VGG16, and EfficientNetB2. This model is designed to classify avocado images into ‘Healthy’ or diseased categories (scab or anthracnose) through a binary sequential voting mechanism. Additionally, confusion matrices for the nine implemented DL models are presented, illustrating their performance across three avocado disease categories, with a mix of singular and hybrid models contributing to the analysis.
Discussion
The research presents a novel system for detecting diseases in avocado fruits, leveraging deep learning (DL) techniques, specifically through the VotingBS architecture. This architecture employs a two-phase sequential voting mechanism, where five distinct convolutional neural network (CNN) models first classify the fruit as healthy or diseased. If deemed unhealthy, a second phase further distinguishes between the diseases anthracnose and scab. The study utilized a dataset of 674 images, achieving impressive performance metrics: 98.92% precision, 98.89% recall, and 99.03% accuracy, which outperformed both singular and hybrid models previously reported in the literature.
The system is structured into three main modules: the Crop Module for user management of crop entries, the Analysis Module for image preprocessing and disease identification, and the Diagnosis Module for providing detailed diagnostic information and treatment recommendations. The findings underscore the effectiveness of the VotingBS architecture in reducing cumulative errors associated with traditional models by breaking down the diagnostic task into simpler components. This approach not only enhances diagnostic accuracy but also establishes a framework that could be adapted for other crops facing similar pathological challenges, thereby promoting more sustainable agricultural practices through timely and accessible disease management solutions.
Limitations
The limitations of the VotingBS architecture are primarily tied to the dataset utilized in the study, which comprises only 674 samples from mixed sources. This dataset lacks instances of disease co-infection and early symptoms, suggesting that the reported high accuracy is indicative of optimal performance on a curated dataset rather than a comprehensive evaluation. As such, the findings should be interpreted as a proof-of-concept rather than a definitive assessment of the model’s efficacy in diverse real-world scenarios.
Future work should focus on validating the model’s generalization capabilities using a larger, prospectively collected dataset that encompasses the full variability of real orchard conditions, including variations in lighting, occlusions, and complex disease manifestations. Additionally, operational validation of the ApaltAI system is crucial, which includes formal performance evaluations under high-load and low-connectivity situations, as well as extensive User Acceptance Testing (UAT) with avocado farmers. These steps are vital for transitioning the system from a robust prototype to a practical and reliable agricultural tool.