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 Mob-Res، وهو هيكل جديد للتعلم العميق مصمم للكشف عن أمراض النباتات بكفاءة ودقة، معالجًا القيود التي تفرضها طرق التشخيص التقليدية. يدمج Mob-Res التعلم المتبقي مع مستخرج الميزات MobileNetV2، مما ينتج عنه نموذج خفيف الوزن يحتوي على 3.51 مليون معلمة فقط، مما يجعله مناسبًا للتطبيقات المحمولة. تم تقييم النموذج على مجموعتين مرجعيتين – خبير…

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…