DOI: https://doi.org/10.3389/fpls.2026.1783576
PMID: https://pubmed.ncbi.nlm.nih.gov/42064302
تاريخ النشر: 2026-04-15
المؤلف: Demet Parlak Sönmez وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث PlantPathNet، وهي بنية تعلم عميق جديدة مصممة للتصنيف الموثوق لأمراض النباتات باستخدام صور الأوراق. تؤكد الدراسة على أهمية تحديد الأمراض بدقة من أجل مراقبة المحاصيل بشكل فعال والحفاظ على العائد. يستخدم PlantPathNet تحويل صور الإدخال من مساحة الألوان RGB إلى HSV لتحسين تمثيل الميزات المتعلقة بالأمراض. يقدم وحدة دمج الميزات عبر الطبقات (CFIM) لتجميع الميزات التمييزية عبر أعماق الشبكة المختلفة ويشمل آلية انتباه القناة بناءً على ECANet لتعزيز التمثيلات ذات الصلة بالأمراض. تم تحسين النموذج باستخدام دالة خسارة مركبة تجمع بين خسارة softmax المعدلة وخسارة المركز لمعالجة عدم توازن الفئات وتحسين قابلية فصل الميزات.
تظهر النتائج التجريبية على مجموعة بيانات PlantVillage أن PlantPathNet يتفوق بشكل كبير على النماذج الحالية الرائدة، حيث حقق دقة تبلغ 99.57%، ودقة 99.52%، واسترجاع 99.54%، ودرجة F1 تبلغ 99.53%، وAUROC تبلغ 99.84%. تسلط النتائج الضوء على فعالية المكونات المقترحة، بما في ذلك المعالجة المسبقة المعتمدة على HSV، وCFIM، وآلية انتباه القناة، في تعزيز أداء التصنيف. تقترح الدراسة عدة مجالات للبحث المستقبلي، مثل توسيع الإطار للكشف عن الأمراض المتعددة، ودمج الذكاء الاصطناعي القابل للتفسير لتحسين قابلية الفهم، وتحسين النشر على الهواتف المحمولة، ودمج أنماط استشعار إضافية لتحسين تقييم الأمراض. تهدف هذه الاتجاهات إلى تعزيز التطبيق العملي للتعلم العميق في تشخيص أمراض النباتات، مما يساهم في ممارسات الزراعة المستدامة وأمن الغذاء.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للزراعة في الاقتصاد العالمي والأثر الكبير لأمراض النباتات، التي تمثل 20% إلى 40% من خسائر المحاصيل السنوية (نزاروف وآخرون، 2020). تعتمد طرق الكشف التقليدية على التقييمات البصرية اليدوية، والتي غالبًا ما تكون غير فعالة وذات طابع شخصي، خاصة في المناطق النامية (موشou وآخرون، 2005). تقدم التطورات الحديثة في رؤية الكمبيوتر، وخاصة من خلال تقنيات التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs)، حلولًا واعدة لأتمتة الكشف عن أمراض النباتات. تتفوق CNNs في تعلم التمثيلات الهرمية، مما يمكنها من التقاط الأنماط البصرية ذات المستوى المنخفض والمعلومات الدلالية ذات المستوى العالي بشكل فعال (هان وآخرون، 2023؛ شعيب وآخرون، 2023).
تهدف هذه الدراسة إلى معالجة قيود طرق الكشف الحالية من خلال استخدام مجموعة بيانات PlantVillage لتطوير وتقييم أطر التعلم العميق لتشخيص أمراض النباتات. يدمج النهج المقترح تقنيات معالجة الصور المتقدمة مع هياكل الشبكات العصبية المحسّنة لتعزيز الدقة والكفاءة في التطبيقات الزراعية الواقعية. تم تحديد تحدٍ رئيسي وهو الفجوة بين مجموعات البيانات المخبرية المسيطر عليها والظروف غير المتوقعة التي تواجهها في الميدان، حيث غالبًا ما تفشل النماذج الحالية بسبب الضوضاء البصرية والعوامل البيئية المتغيرة (موهنتي وآخرون، 2016؛ باربيدو، 2018). للتغلب على ذلك، يستخدم إطار عمل PlantPathNet تحويل HSV لعزل مؤشرات الأمراض اللونية بفعالية عن المشتتات البيئية، مما يحسن الأداء التشخيصي في الإعدادات العملية.
طرق
يدمج إطار عمل PlantPathNet المقترح ثلاثة مكونات مبتكرة لتعزيز تصنيف أمراض النباتات. أولاً، يستخدم آلية انتباه القناة الفعالة المستمدة من وحدة ECANet، والتي تحسن استخراج الميزات ذات الصلة بالأمراض. ثانيًا، تم تقديم وحدة دمج الميزات عبر الطبقات (CFIM) لدمج الميزات عبر أعماق التلافيف المختلفة، مما يعزز قدرة النموذج على تعلم المعلومات التمييزية. أخيرًا، يتم استخدام صياغة خسارة متوازنة تجمع بين خسارة softmax الموزونة مع خسارة المركز لمعالجة عدم توازن الفئات وتحسين قدرة النموذج على تمييز التباينات الدقيقة بين الفئات في أنماط أمراض النباتات. يسمح التفاعل الفريد بين CFIM والانتباه التكيفي لـ PlantPathNet بالتركيز على الإشارات العرضية الدقيقة، مما يميزه عن الهياكل العامة.
في الإعداد التجريبي، تم تقييم أداء تصنيف PlantPathNet بدقة باستخدام مجموعة بيانات PlantVillage، التي تتكون من 54,306 صورة ورقة عبر 14 نوعًا من النباتات و38 فئة. تم تقسيم مجموعة البيانات إلى مجموعات تدريب، والتحقق، والاختبار مع أخذ عينات مصنفة للحفاظ على توزيعات الفئات. لتعزيز التعميم وتقليل الإفراط في التكيف، تم تطبيق تقنيات زيادة البيانات المختلفة، بما في ذلك الانقلابات العشوائية، والدورانات، والتكبير. تم أيضًا تنفيذ استراتيجيات تنظيم، مثل معدل تسرب يبلغ 0.5 وتدهور الوزن بمقدار 0.0001. تم تدريب النموذج لمدة 100 دورة، مع مراقبة دقيقة لخسارة التدريب والتحقق لضمان التقارب ومنع الإفراط في التكيف. مع عدد المعلمات البالغ 13.2 مليون، يعزز تصميم PlantPathNet قابلية نقل الميزات المتعلمة إلى عينات غير مرئية، كما يتضح من نتائج تقييم عبر مجموعات البيانات.
مناقشة
في هذه الدراسة، نقدم PlantPathNet، وهو إطار عمل مبتكر للتعلم العميق مصمم لتشخيص أمراض النباتات، تم تقييمه على مجموعة بيانات PlantVillage. تتضمن البنية وحدة دمج الميزات عبر الطبقات (CFIM) لتعزيز الكشف عن أنماط الأمراض الدقيقة من خلال دمج الميزات بشكل فعال من عدة طبقات تلافيفية. بالإضافة إلى ذلك، يتم استخدام تحويل مساحة الألوان من RGB إلى HSV لتحسين استخراج التباينات اللونية والإشارات النسيجية، بينما تركز آلية الانتباه التكيفية (AAM) على المناطق ذات الصلة بالأمراض، مما يعزز أداء النموذج. تعالج استراتيجية التحسين المتوازنة، التي تجمع بين خسارة softmax الموزونة مع خسارة المركز، عدم توازن الفئات وتحسن قابلية فصل الميزات. تشير النتائج التجريبية إلى أن PlantPathNet يحقق دقة قصوى تبلغ 99.57%، متفوقًا على العديد من النماذج الرائدة، بما في ذلك ResNet-50 وInception-V3، مع تأكيد الأهمية الإحصائية على قوة هذه التحسينات.
تسلط المناقشة الضوء على الأهمية الحاسمة لتحديد أمراض النباتات مبكرًا من أجل إنتاجية الزراعة وأمن الغذاء. تعتبر الطرق التقليدية التي تعتمد على الفحوصات اليدوية كثيفة العمالة وذات طابع شخصي، مما يدفع لاستكشاف الأطر الآلية باستخدام تقنيات التعلم الآلي والتعلم العميق. بينما أظهرت الدراسات السابقة وعودًا، إلا أنها غالبًا ما تعاني من قيود تتعلق باستخراج الميزات اليدوية والتعميم في الظروف الواقعية. يتناول PlantPathNet هذه التحديات من خلال استخدام بنية متخصصة تدمج تحويل مساحة الألوان HSV وCFIM، مما يضمن أداءً قويًا عبر بيئات متنوعة. تؤكد النتائج على إمكانية نماذج التعلم العميق في تعزيز دقة وكفاءة تشخيص أمراض النباتات، مما يساهم في تحسين الممارسات الزراعية وأمن الغذاء في النهاية.
DOI: https://doi.org/10.3389/fpls.2026.1783576
PMID: https://pubmed.ncbi.nlm.nih.gov/42064302
Publication Date: 2026-04-15
Author(s): Demet Parlak Sönmez et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents PlantPathNet, a novel deep learning architecture designed for the reliable classification of plant diseases using leaf images. The study emphasizes the importance of accurate disease identification for effective crop monitoring and yield preservation. PlantPathNet employs a transformation of input images from RGB to HSV color space to improve the representation of disease-related features. It introduces a Cross-layer Feature Integration Module (CFIM) to aggregate discriminative features across different network depths and incorporates a channel attention mechanism based on ECANet to enhance disease-relevant representations. The model is optimized with a composite loss function that combines modified softmax loss and center loss to address class imbalance and improve feature separability.
Experimental results on the PlantVillage dataset reveal that PlantPathNet significantly outperforms existing state-of-the-art models, achieving an accuracy of 99.57%, precision of 99.52%, recall of 99.54%, F1-score of 99.53%, and an AUROC of 99.84%. The findings highlight the effectiveness of the proposed components, including HSV-based preprocessing, CFIM, and the channel attention mechanism, in enhancing classification performance. The study suggests several avenues for future research, such as extending the framework for multi-disease detection, incorporating explainable AI for better interpretability, optimizing for mobile deployment, and integrating additional sensing modalities to improve disease assessment. These directions aim to enhance the practical application of deep learning in plant disease diagnosis, contributing to sustainable agricultural practices and food security.
Introduction
The introduction highlights the critical role of agriculture in the global economy and the significant impact of plant diseases, which account for 20% to 40% of annual crop losses (Nazarov et al., 2020). Traditional detection methods rely on manual visual assessments, which are often inefficient and subjective, particularly in developing regions (Moshou et al., 2005). Recent advancements in computer vision, particularly through deep learning techniques like Convolutional Neural Networks (CNNs), offer promising solutions for automating plant disease detection. CNNs excel in learning hierarchical representations, enabling them to effectively capture both low-level visual patterns and high-level semantic information (Han et al., 2023; Shoaib et al., 2023).
This research aims to address the limitations of existing detection methods by utilizing the PlantVillage dataset to develop and evaluate deep learning frameworks for plant disease diagnosis. The proposed approach integrates advanced image preprocessing techniques with optimized neural network architectures to enhance accuracy and efficiency in real-world agricultural applications. A key challenge identified is the disparity between controlled laboratory datasets and the unpredictable conditions encountered in the field, where existing models often falter due to visual noise and varying environmental factors (Mohanty et al., 2016; Barbedo, 2018). To overcome this, the PlantPathNet framework employs HSV transformation to effectively isolate chromatic disease indicators from environmental distractions, thereby improving diagnostic performance in practical settings.
Methods
The proposed PlantPathNet framework integrates three innovative components to enhance the classification of plant diseases. Firstly, it employs an efficient channel attention mechanism derived from the ECANet module, which improves the extraction of disease-relevant features. Secondly, the Cross-layer Feature Integration Module (CFIM) is introduced to fuse features across various convolutional depths, thereby enriching the model’s ability to learn discriminative information. Lastly, a balanced loss formulation combining weighted softmax loss with center loss is utilized to address class imbalance and refine the model’s capability to differentiate subtle inter-class variations in plant disease patterns. The unique interaction between CFIM and adaptive attention allows PlantPathNet to focus on fine-grained symptomatic cues, distinguishing it from generic architectures.
In the experimental setup, the classification performance of PlantPathNet was rigorously evaluated using the PlantVillage dataset, which comprises 54,306 leaf images across 14 plant species and 38 categories. The dataset was divided into training, validation, and test subsets with stratified sampling to maintain class distributions. To enhance generalization and mitigate overfitting, various data augmentation techniques were applied, including random flips, rotations, and zooming. Regularization strategies, such as a dropout rate of 0.5 and a weight decay of 0.0001, were also implemented. The model was trained for 100 epochs, with careful monitoring of training and validation loss to ensure convergence and prevent overfitting. With a parameter count of 13.2M, PlantPathNet’s design promotes transferability of learned features to unseen samples, as demonstrated by cross-dataset evaluation results.
Discussion
In this study, we present PlantPathNet, an innovative deep learning framework designed for the diagnosis of plant diseases, evaluated on the PlantVillage dataset. The architecture incorporates a Cross-layer Feature Integration Module (CFIM) to enhance the detection of subtle disease patterns through effective feature fusion from multiple convolutional layers. Additionally, a color space transformation from RGB to HSV is utilized to improve the extraction of chromatic variations and textural cues, while an Adaptive Attention Mechanism (AAM) focuses on disease-relevant regions, thereby enhancing the model’s performance. The balanced optimization strategy, combining weighted softmax loss with center loss, addresses class imbalance and improves feature separability. Experimental results indicate that PlantPathNet achieves a peak accuracy of 99.57%, outperforming several state-of-the-art models, including ResNet-50 and Inception-V3, with statistical significance confirming the robustness of these improvements.
The discussion highlights the critical importance of early plant disease identification for agricultural productivity and food security. Traditional methods relying on manual inspections are labor-intensive and subjective, prompting the exploration of automated frameworks using machine learning and deep learning techniques. While previous studies have shown promise, they often suffer from limitations related to handcrafted feature extraction and generalization in real-world conditions. PlantPathNet addresses these challenges by employing a specialized architecture that integrates HSV color space transformation and a CFIM, ensuring robust performance across diverse environments. The findings underscore the potential of deep learning models to enhance the accuracy and efficiency of plant disease diagnosis, ultimately contributing to improved agricultural practices and food security.