تقدم البحث إطار عمل تشخيص أمراض النباتات باستخدام التعلم العميق (PDD-DL)، الذي يستفيد من الشبكات العصبية التلافيفية (CNNs) لتسهيل التشخيص الفوري لأمراض النباتات. الطرق التقليدية للتشخيص، المعتمدة على الفحص البشري والتقنيات المخبرية، بطيئة، عرضة للأخطاء، وغير مناسبة للتطبيقات الزراعية على نطاق واسع. بالمقابل، يظهر إطار عمل PDD-DL تحسنًا كبيرًا في دقة التشخيص، حيث يحقق دقة…

تقدم البحث نهجًا قويًا للكشف عن صحة أوراق النباتات باستخدام أطر كشف الكائنات YOLOv8 و YOLOv11. من خلال استخدام نماذج مسبقة التدريب تم تعزيزها من خلال التعلم الانتقالي والتخصيص الدقيق الخاص بالمجال، حققت الدراسة متوسط دقة (mAP) يتجاوز 92% على مجموعة بيانات التحقق. أدى تنفيذ تقنيات تعزيز البيانات المتقدمة إلى تعزيز مرونة النماذج بشكل كبير…

تقدم البحث نموذج AttCM-Alex، وهو إطار عمل جديد للتعلم العميق يهدف إلى تحسين الكشف وتصنيف أمراض النباتات في ظل ظروف بيئية صعبة، والتي تعتبر حاسمة لضمان الأمن الغذائي العالمي. يدمج النموذج العمليات التلافيفية مع آليات الانتباه الذاتي للتخفيف بفعالية من آثار تغير شدة الضوء وضوضاء الصورة، والتي تعتبر عقبات شائعة في البيئات الزراعية الواقعية. لمحاكاة…

تقدم البحث نظام تحليل أوراق الدقة مع المحولات البصرية (PLA-ViT)، الذي يستفيد من المحولات البصرية (ViTs) للكشف المبكر وتصنيف أمراض الأوراق، مما يعالج قيود الطرق التقليدية التي تتطلب مجموعات بيانات كبيرة وعرضة للتكيف الزائد. من خلال استخدام آليات الانتباه الذاتي، تعزز ViTs قدرة النموذج على التقاط المعلومات السياقية العالمية، مما يؤدي إلى تحسين الدقة في…

تناقش هذه القسم التحديات التي تواجه الزراعة الحديثة، وخاصة القضايا مثل ندرة المياه، وأمراض النباتات، و infestations الآفات، وكيف يمكن أن تساعد الزراعة الذكية المعتمدة على إنترنت الأشياء (IoT)، جنبًا إلى جنب مع الذكاء الاصطناعي (AI)، في معالجة هذه المشكلات. يقدم البحث محور الزراعة الذكية المعتمد على AI-IoT المصمم لتعزيز اكتشاف وعلاج أمراض النباتات، متجاوزًا…