DOI: https://doi.org/10.3389/fpls.2024.1473928
PMID: https://pubmed.ncbi.nlm.nih.gov/40007767
تاريخ النشر: 2025-02-11
المؤلف: Abudukelimu Abulizi وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
في هذا القسم، يتناول المؤلفون التحديات المتعلقة بالكشف عن أمراض أوراق الطماطم في البيئات الطبيعية، بما في ذلك التغيرات في الإضاءة، والأعراض المتداخلة، وأحجام الآفات الصغيرة، واحتباس الأوراق. للتغلب على هذه المشكلات، يقترحون طريقة كشف محسّنة تُدعى DM-YOLO، التي تعتمد على خوارزمية YOLOv9. تشمل الابتكارات الرئيسية دمج تقنية تصعيد ديناميكية خفيفة الوزن (DySample) في العمود الفقري لدمج الميزات لتحسين استخراج ميزات الآفات الصغيرة وتطبيق دالة خسارة MPDIoU لتعلم تفاصيل حواف الآفات المتداخلة بشكل أفضل.
تظهر النتائج التجريبية فعالية نموذج DM-YOLO، حيث حقق دقة (P) تبلغ 92.5%، مع قيم دقة متوسطة (AP) ومتوسط دقة متوسطة (mAP) تبلغ 95.1% و86.4% على التوالي. تمثل هذه المقاييس تحسينات بنسبة 2.2% و1.7% و1.4% مقارنة بنموذج YOLOv9 الأساسي. تشير النتائج إلى أن DM-YOLO يظهر أداءً قويًا في الكشف وإمكانات كبيرة، مما يساهم بشكل كبير في التقدم في الزراعة الذكية وإدارة الأمراض.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية زراعة الطماطم كمورد زراعي حيوي، بينما تتناول أيضًا التحديات التي تطرحها العدوى البكتيرية والفيروسية التي تهدد المحصول والجودة. يعد الكشف المبكر عن أمراض الأوراق أمرًا حيويًا لمنع انتشارها بين النباتات، ومع ذلك فإن الطرق التقليدية التي تعتمد على حكم الخبراء غير فعالة وغير متسقة. أدت التطورات الأخيرة في رؤية الكمبيوتر (CV) والتعلم العميق (DL) إلى دمج تقنيات الكشف الآلي عن الأمراض، مما يعزز سرعة الكشف ودقته وقابليته للتعميم مقارنة بالأساليب التقليدية. أظهرت خوارزميات DL المختلفة، مثل Faster R-CNN وSSD وYOLO، نتائج واعدة في الكشف عن أمراض الطماطم، حيث أظهرت الدراسات تحسينات كبيرة في الدقة من خلال هياكل نماذج مبتكرة وتقنيات استخراج الميزات.
على الرغم من التقدم المحرز في البيئات المسيطر عليها، لا تزال التحديات قائمة في الإعدادات الطبيعية بسبب عوامل مثل اختلاف الإضاءة، وتداخل الأعراض، وأحجام الآفات الصغيرة. اقترح الباحثون عدة طرق لمعالجة هذه القضايا، بما في ذلك إدخال وحدات الالتفاف التكيفية وآليات الانتباه لتعزيز قدرات الكشف. تقترح الورقة طريقة كشف محسّنة تعتمد على YOLOv9، تتضمن تقنيات مثل DySample وMPDIoU لتعزيز قدرة النموذج على التقاط ميزات الآفات الدقيقة وتحسين دقة التحديد. تشير التجارب المقارنة إلى أن نموذج DM-YOLO المقترح يتفوق على النماذج الحالية في مقاييس التقييم المختلفة، محققًا توازنًا بين الدقة والاسترجاع بينما يعالج بفعالية تعقيدات الكشف عن أمراض أوراق الطماطم في البيئات الطبيعية.
طرق
في هذه الدراسة، تم تطوير نموذج DM-YOLO بناءً على هيكل YOLOv9 لتحليل مجموعة بيانات تركز على أمراض أوراق الطماطم. تم إجراء جميع التجارب في بيئة مسيطر عليها باستخدام وحدة معالجة الرسوميات NVIDIA A40 بسعة 80 جيجابايت، تعمل على CUDA 11.3 على نظام Ubuntu 20.04. كانت إطار التدريب المستخدم هو PyTorch 1.11.0، مع Python 3.8 كلغة برمجة.
تم ضبط معلمات التدريب بدقة، مع معدل تعلم يبلغ 0.01، وحجم دفعة يبلغ 16، وإجمالي 100 دورة. تم استخدام الانحدار العشوائي (SGD) كمحسن. لتعزيز الكفاءة الحسابية، دمجت عملية التدريب تحسين CUDNN وتقنيات التدريب بدقة مختلطة. كانت هذه الخيارات المنهجية تهدف إلى ضمان أداء قوي للنموذج مع تحسين استخدام الموارد.
نتائج
تسلط نتائج الدراسة الضوء على فعالية نموذج الكشف DM-YOLO المقترح في تحديد فئات مختلفة من أمراض أوراق الطماطم ضمن مجموعة بيانات صعبة تتميز بأحجام آفات صغيرة وميزات متداخلة. أظهر النموذج أداءً قويًا بشكل عام عبر تسعة أنواع من الأمراض، محققًا دقة (P) وقيم دقة متوسطة (AP) تتجاوز 90% لأمراض مثل العفن المبكر، والعفن المتأخر، وديدان الأوراق. ومن الجدير بالذكر أن ديدان الأوراق أظهرت أعلى مقاييس الكشف، حيث كانت P عند 96.3%، والاسترجاع (R) عند 98.3%، وAP عند 98.9%، ومتوسط دقة متوسطة (mAP) عند 91.3%، مما يشير إلى ملاءمتها للتطبيقات العملية.
على النقيض من ذلك، واجه النموذج تحديات مع العفن الورقي وفيروس تجعد الأوراق الصفراء، حيث على الرغم من تحقيق قيم P وAP مرضية، كانت R وmAP أقل، خاصة مع فيروس تجعد الأوراق الصفراء عند mAP يبلغ 71% فقط. يُعزى هذا القيد إلى المناطق الصغيرة للآفات وصعوبة استخراج ميزات مميزة لهذه الأمراض. بشكل عام، اكتشف DM-YOLO بشكل فعال معظم أمراض أوراق الطماطم الشائعة، والتحليل المقارن لقيم P وAP قبل وبعد تحسينات النموذج، الموضح في الشكل 8، يبرز بشكل أكبر تحسين قابلية الكشف عن الأمراض.
مناقشة
في قسم المناقشة من الورقة، يسلط المؤلفون الضوء على التقدم في كشف الكائنات، مع التركيز بشكل خاص على سلسلة خوارزميات YOLO (You Only Look Once)، التي شهدت تحسينات كبيرة لتحسين الأداء في التطبيقات الزمن الحقيقي. قدمت مختلف الإصدارات، من YOLOv1 إلى YOLOv10، تغييرات معمارية مبتكرة، مثل شبكة Cross Stage Partial Network (CSPNet) وشبكة Bidirectional ConvLSTM، تهدف إلى تحسين استخراج الميزات وتحسين دقة الكشف. تتضمن النسخة الأخيرة، YOLOv10، استراتيجية تدريب مزدوجة تلغي الحاجة إلى قمع غير الأقصى (NMS)، مما يسهل قدرات الكشف الزمن الحقيقي من البداية إلى النهاية.
تؤكد الورقة أيضًا على أهمية الكشف عن الأمراض في الزراعة، خاصة من خلال تطبيق أطر عمل تعتمد على YOLO. يقدم المؤلفون إطار DM-YOLO المقترح، الذي يدمج طريقة تصعيد خفيفة الوزن (DySample) ودالة خسارة جديدة (MPDIoU) لتعزيز الكشف عن أمراض أوراق الطماطم. يحسن DySample قدرة النموذج على التقاط التفاصيل الدقيقة في الصور ذات الميزات المرضية المتشابهة، بينما يركز MPDIoU على تحديد مواقع الآفات المتداخلة بدقة. تظهر النتائج التجريبية أن DM-YOLO يتفوق على النماذج الأخرى من حيث الدقة والاسترجاع والدقة المتوسطة، مما يبرز فعاليته في البيئات الزراعية الواقعية. يخلص المؤلفون إلى أن نهجهم لا يحسن فقط دقة الكشف ولكن أيضًا يقلل من التعقيد الحسابي، مما يجعله مناسبًا للتطبيقات العملية في مراقبة الأمراض.
القيود
تكشف الأبحاث حول DM-YOLO المطبقة على مجموعة بيانات أمراض الطماطم عن قيود كبيرة، خاصة فيما يتعلق بالتوزيع غير المتوازن لعينات ميزات الأمراض. يؤثر هذا الاختلال سلبًا على أداء النموذج، خاصة في معالجة الصور بدقة للآفات الصغيرة التي تظهر أعراضًا مشابهة. وبالتالي، يكافح النموذج لالتقاط الميزات الحرجة المرتبطة بفئات الآفات معينة، مما يؤدي إلى الحاجة إلى تحسين الدقة في كل من التعرف على هذه الأمراض وتحديد مواقعها. من الضروري إجراء تحسينات إضافية لمعالجة هذه النقائص وتعزيز فعالية النموذج بشكل عام.
DOI: https://doi.org/10.3389/fpls.2024.1473928
PMID: https://pubmed.ncbi.nlm.nih.gov/40007767
Publication Date: 2025-02-11
Author(s): Abudukelimu Abulizi et al.
Primary Topic: Smart Agriculture and AI
Overview
In this section, the authors address the challenges of detecting tomato leaf diseases in natural environments, including variations in lighting, overlapping symptoms, small lesion sizes, and leaf occlusion. To overcome these issues, they propose an enhanced detection method named DM-YOLO, which builds upon the YOLOv9 algorithm. Key innovations include the integration of a lightweight dynamic up-sampling technique (DySample) into the feature fusion backbone to improve small lesion feature extraction and the application of the MPDIoU loss function to better learn the details of overlapping lesion margins.
Experimental results demonstrate the effectiveness of the DM-YOLO model, achieving a precision (P) of 92.5%, with average precision (AP) and mean average precision (mAP) values of 95.1% and 86.4%, respectively. These metrics represent improvements of 2.2%, 1.7%, and 1.4% over the baseline YOLOv9 model. The findings indicate that DM-YOLO exhibits strong detection performance and potential, contributing significantly to advancements in smart agriculture and disease management.
Introduction
The introduction of the research paper highlights the significance of tomato cultivation as a vital agricultural resource, while also addressing the challenges posed by bacterial and viral infections that threaten yield and quality. Early detection of leaf diseases is crucial for preventing the spread among plants, yet traditional methods relying on expert judgment are inefficient and inconsistent. Recent advancements in computer vision (CV) and deep learning (DL) have led to the integration of automated disease detection techniques, which enhance detection speed, accuracy, and generalizability compared to conventional approaches. Various DL algorithms, such as Faster R-CNN, SSD, and YOLO, have shown promising results in tomato disease detection, with studies demonstrating significant improvements in accuracy through innovative model architectures and feature extraction techniques.
Despite the progress made in controlled environments, challenges remain in natural settings due to factors like light variation, symptom overlap, and small lesion sizes. Researchers have proposed several methods to tackle these issues, including the introduction of adaptive convolution modules and attention mechanisms to enhance detection capabilities. The paper proposes an improved detection method based on YOLOv9, incorporating techniques such as DySample and MPDIoU to enhance the model’s ability to capture fine lesion features and improve localization accuracy. Comparative experiments indicate that the proposed DM-YOLO model outperforms existing models in various evaluation metrics, achieving a balance between precision and recall while effectively addressing the complexities of tomato leaf disease detection in natural environments.
Methods
In this study, the DM-YOLO model was developed based on the YOLOv9 architecture to analyze a dataset focused on tomato leaf diseases. All experiments were conducted in a controlled environment utilizing an NVIDIA A40 GPU with 80GB of memory, running CUDA 11.3 on Ubuntu 20.04. The training framework employed was PyTorch 1.11.0, with Python 3.8 as the programming language.
The training parameters were meticulously set, with a learning rate of 0.01, a batch size of 16, and a total of 100 epochs. Stochastic Gradient Descent (SGD) was utilized as the optimizer. To enhance computational efficiency, the training process incorporated CUDNN optimization and mixed precision training techniques. These methodological choices aimed to ensure robust model performance while optimizing resource usage.
Results
The results of the study highlight the effectiveness of the proposed DM-YOLO detection model in identifying various classes of tomato leaf diseases within a challenging dataset characterized by small lesion sizes and overlapping features. The model demonstrated strong overall performance across nine disease types, achieving precision (P) and average precision (AP) values exceeding 90% for diseases such as Early Blight, Late Blight, and Leaf Miner. Notably, Leaf Miner exhibited the highest detection metrics, with P at 96.3%, recall (R) at 98.3%, AP at 98.9%, and mean average precision (mAP) at 91.3%, indicating its suitability for practical applications.
Conversely, the model faced challenges with Leaf Mold and Yellow Leaf Curl Virus, where despite achieving satisfactory P and AP values, the R and mAP were lower, particularly with Yellow Leaf Curl Virus at an mAP of only 71%. This limitation is attributed to the small lesion areas and the difficulty in extracting distinct features for these diseases. Overall, DM-YOLO effectively detected most common tomato leaf diseases, and the comparative analysis of P and AP values before and after model enhancements, illustrated in Figure 8, further underscores its improved disease detectability.
Discussion
In the discussion section of the paper, the authors highlight advancements in object detection, particularly focusing on the YOLO (You Only Look Once) algorithm series, which has undergone significant enhancements to improve performance in real-time applications. Various iterations, from YOLOv1 to YOLOv10, have introduced innovative architectural changes, such as the Cross Stage Partial Network (CSPNet) and the Bidirectional ConvLSTM network, aimed at optimizing feature extraction and improving detection accuracy. The latest version, YOLOv10, incorporates a dual training strategy that eliminates the need for non-maximum suppression (NMS), facilitating end-to-end real-time detection capabilities.
The paper also emphasizes the importance of disease detection in agriculture, particularly through the application of YOLO-based frameworks. The authors present their proposed DM-YOLO framework, which integrates a lightweight upsampling method (DySample) and a novel loss function (MPDIoU) to enhance the detection of tomato leaf diseases. DySample improves the model’s ability to capture fine details in images with similar disease features, while MPDIoU focuses on accurately localizing overlapping lesions. Experimental results demonstrate that DM-YOLO outperforms other models in terms of precision, recall, and average precision, showcasing its effectiveness in real-world agricultural settings. The authors conclude that their approach not only improves detection accuracy but also reduces computational complexity, making it suitable for practical applications in disease monitoring.
Limitations
The research on DM-YOLO applied to the tomato disease dataset reveals significant limitations, particularly concerning the unbalanced distribution of disease feature samples. This imbalance adversely affects the model’s performance, especially in accurately processing images of small lesions that exhibit similar symptoms. Consequently, the model struggles to effectively capture the critical features associated with certain lesion classes, leading to a need for enhanced precision in both the identification and localization of these specific diseases. Further improvements are essential to address these shortcomings and bolster the model’s overall efficacy.