DOI: https://doi.org/10.3389/fpls.2026.1720276
PMID: https://pubmed.ncbi.nlm.nih.gov/41696171
تاريخ النشر: 2026-01-30
المؤلف: Marriam Nawaz وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث نهجًا مبتكرًا، يسمى PotatoGuardNet، يهدف إلى أتمتة تصنيف أمراض أوراق البطاطس لتعزيز الإنتاجية الزراعية. نظرًا للتحديات التي تطرحها التغيرات البيئية وأمراض المحاصيل، فإن طرق التصنيف اليدوية التقليدية غالبًا ما تكون غير كافية بسبب طبيعتها المستهلكة للوقت واعتمادها على المعرفة المتخصصة. يستخدم PotatoGuardNet المقترح نموذج Faster-RCNN القائم على Inception-ResNet-V2، الذي يلتقط بفعالية السمات المرئية لأمراض أوراق البطاطس ويحقق دقة تصنيف ملحوظة تبلغ 99.41% مع متوسط دقة (mAP) يبلغ 0.9556، كما تم التحقق منه ضد مجموعة بيانات PlantVillage الواسعة.
تؤكد الدراسة على أهمية الكشف الآلي عن الأمراض في الزراعة الحديثة، مشددة على قدرة النموذج على تحديد وتصنيف الأمراض بدقة من خلال تقنيات الرؤية الحاسوبية المتقدمة. تظهر التحليلات المقارنة مع الأساليب الحالية المتطورة موثوقية وفعالية PotatoGuardNet، مما يشير إلى إمكانيته للنشر العملي في أنظمة المراقبة الزراعية الآلية. ومع ذلك، تعترف الأبحاث بوجود قيد بسبب ندرة مجموعات البيانات الميدانية المناسبة وتقترح العمل المستقبلي لتضمين تقييمات على بيانات زراعية حقيقية تم جمعها حديثًا، إلى جانب دمج طرق التكيف مع المجال لتعزيز تعميم النموذج عبر بيئات متنوعة.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على الحاجة الملحة لممارسات زراعية مستدامة في ضوء الزيادة المتوقعة في عدد السكان العالمي إلى 9.1 مليار بحلول عام 2050، كما أفادت منظمة الأغذية والزراعة (FAO). تؤكد الورقة على التحديات التي تطرحها الأراضي الزراعية المتناقصة وندرة المياه، والتي تعيق تعزيز مستويات العناصر الغذائية في إنتاج الغذاء. وتبرز التأثير الضار لأمراض النباتات، مثل العفن المبكر (الناجم عن *Alternaria solani*) والعفن المتأخر (الناجم عن *Phytophthora infestans*)، على غلات البطاطس، وهي محصول حيوي للأمن الغذائي العالمي. لا تهدد هذه الأمراض الإنتاجية الزراعية فحسب، بل تساهم أيضًا في عدم الاستقرار الاقتصادي وسوء التغذية، خاصة في المناطق النامية.
لمعالجة هذه التحديات، تقترح الأبحاث إطار عمل للتعلم العميق (DL) يعتمد على بنية Inception-ResNetV2 المدمجة مع Faster R-CNN للكشف عن وتصنيف أمراض أوراق البطاطس. يهدف هذا النهج إلى تحسين دقة وكفاءة تحديد الأمراض، مما يمكّن من استراتيجيات إدارة محددة للأمراض في الوقت المناسب. تم تصميم النموذج المقترح للتعامل مع ظروف بيئية متنوعة وتقديم رؤى قابلة للتنفيذ للمزارعين، مما يعزز غلة المحاصيل ويقلل من الخسائر. تمهد المقدمة الطريق لاستكشاف شامل للمنهجيات الحالية، والاستراتيجية المقترحة، والتحقق التجريبي من الإطار في الأقسام التالية من الورقة.
طرق
تصف قسم المنهجية تطوير PotatoGuardNet، وهو نموذج متخصص للكشف عن أمراض البطاطس باستخدام إطار عمل Faster R-CNN مخصص. يستخدم النموذج InceptionResNet-V2 كشبكة أساسية لاستخراج الميزات، وهو أمر حاسم لالتقاط الخصائص المرئية لعينات أوراق البطاطس بفعالية. يتم تنفيذ الكشف والتصنيف لهذه العينات بواسطة كاشف من مرحلتين موجود في بنية Faster R-CNN.
تم تدريب النموذج والتحقق منه بشكل محدد على عينات أوراق البطاطس، مما يظهر قدرته على التعرف بدقة على مختلف أمراض أوراق البطاطس. يتم تفصيل بنية PotatoGuardNet في الشكل 1، الذي يوضح أدائه المحسن في التعرف على الأمراض مقارنة بالطرق القياسية.
نتائج
في قسم النتائج، تقدم الورقة تقييمًا شاملاً لنموذج مقترح للتعرف على مختلف أمراض أوراق البطاطس. تم تنفيذ الإطار باستخدام بايثون على وحدة معالجة الرسوميات Nvidia GTX1070، مع إجراء التدريب عبر مُحسِّن آدم بمعدل تعلم ابتدائي قدره 0.0001 وحجم دفعة صغيرة قدره 16 على مدى 50 دورة. استخدم النموذج خسارة الانتروبيا المتقاطعة الفئوية للتصنيف إلى جانب خسارة الانحدار لصندوق الحدود النموذجية لـ Faster R-CNN. تم توحيد الصور المدخلة إلى دقة 299 × 299 بكسل لتلبية متطلبات العمود الفقري Inception-ResNetV2.
تم تقييم أداء التوطين للنموذج باستخدام متوسط الدقة (mAP) ومقياس التقاطع على الاتحاد (IoU)، وهي مقاييس حاسمة لتقييم دقة توطين الأمراض في أوراق النباتات. حقق النموذج درجة mAP تبلغ 0.9556 وIoU قدره 0.9504، مما يشير إلى فعاليته العالية في التعرف بدقة وتحديد المناطق المتأثرة بالأمراض. تؤكد هذه النتائج على إمكانيات النموذج في تعزيز الزراعة الدقيقة من خلال تسهيل التشخيص المبكر والدقيق للأمراض، مما يساهم في إدارة المحاصيل بشكل أفضل. كما توضح النتائج المرئية قوة النموذج في التعرف على أمراض نبات البطاطس عبر مراحل مختلفة من الشدة، كما هو موضح في الشكل 5.
مناقشة
تقيّم قسم المناقشة بشكل نقدي مختلف المنهجيات لتحديد أمراض أوراق البطاطس، مع تسليط الضوء على التقدم والقيود في الأبحاث الحالية. يؤكد Sinshaw وآخرون (2022) على تفوق تقنيات التعلم العميق (DL) على طرق التعلم الآلي التقليدية (ML) في تصنيف الأمراض. استخدم Mahum وآخرون (2023) التعلم الانتقالي مع إطار DenseNet-201، محققين تصنيفًا فعالًا ولكن يفتقر إلى التوطين الدقيق للمناطق المصابة. استكشفت دراسات أخرى، مثل تلك التي أجراها Amara وآخرون (2023) وTabbakh وBarpanda (2023)، قابلية التفسير والتقنيات الهجينة، على التوالي، لكنها واجهت تحديات في التعميم وتكاليف الحوسبة. من الجدير بالذكر أن Zhao وآخرين (2022) وRashid وآخرين (2021) اقترحوا نماذج حسنت دقة التصنيف ولكن واجهت صعوبات مع المناطق المصابة الصغيرة أو المتداخلة. بشكل عام، بينما تم إحراز تقدم كبير في التعرف الآلي على أمراض أوراق البطاطس، لا تزال القضايا الشائعة قائمة، بما في ذلك الحاجة إلى مجموعات بيانات متنوعة، والتوطين الفعال، والقدرة على التكيف مع ظروف بيئية متنوعة.
تستفيد المنهجية المقترحة من إطار Faster-RCNN المعزز بواسطة Inception-ResNetV2 لاستخراج الميزات، مما يعالج تعقيدات تحديد مناطق الأمراض بدقة في الصور. تتضمن البنية التعلم المتبقي للتخفيف من مشاكل تلاشي التدرجات، مما يسهل الشبكات الأعمق مع الحفاظ على الكفاءة الحاسوبية. تولد شبكة اقتراح المنطقة (RPN) مقترحات كائن، والتي يتم تحسينها من خلال شبكات التصنيف والانحدار لتحسين دقة التوطين. يتم تقييم أداء النموذج باستخدام مقاييس قياسية، بما في ذلك الدقة والاسترجاع ومتوسط الدقة (mAP)، باستخدام مجموعة بيانات PlantVillage، التي تتكون من مجموعة متنوعة من صور أوراق البطاطس. يهدف هذا النهج الشامل ليس فقط إلى تعزيز دقة الكشف عن الأمراض ولكن أيضًا إلى التأكيد على أهمية تصور مخرجات النموذج من خلال خرائط الحرارة، مما يساعد في تحديد المناطق المتأثرة على الأوراق.
DOI: https://doi.org/10.3389/fpls.2026.1720276
PMID: https://pubmed.ncbi.nlm.nih.gov/41696171
Publication Date: 2026-01-30
Author(s): Marriam Nawaz et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents an innovative approach, named PotatoGuardNet, aimed at automating the classification of potato leaf diseases to enhance agricultural productivity. Given the challenges posed by environmental changes and crop diseases, traditional manual classification methods are often inadequate due to their time-consuming nature and reliance on specialized knowledge. The proposed PotatoGuardNet utilizes an Inception-ResNet-V2-based Faster-RCNN model, which effectively captures visual attributes of potato leaf diseases and achieves a remarkable classification accuracy of 99.41% with a mean Average Precision (mAP) of 0.9556, as validated against the extensive PlantVillage dataset.
The study emphasizes the significance of automated disease detection in modern agriculture, highlighting the model’s ability to accurately localize and classify diseases through advanced computer vision techniques. Comparative analyses with existing state-of-the-art methods demonstrate the reliability and effectiveness of PotatoGuardNet, suggesting its potential for practical deployment in automated agricultural monitoring systems. However, the research acknowledges a limitation due to the scarcity of suitable field datasets and proposes future work to include evaluations on newly collected real-world agricultural data, alongside the integration of domain adaptation methods to enhance the model’s generalization across varied environments.
Introduction
The introduction of this research paper highlights the urgent need for sustainable agricultural practices in light of the projected global population increase to 9.1 billion by 2050, as reported by the Food and Agriculture Organization (FAO). The paper emphasizes the challenges posed by diminishing arable land and water scarcity, which hinder the enhancement of nutrient levels in food production. It underscores the detrimental impact of plant diseases, such as early blight (caused by *Alternaria solani*) and late blight (caused by *Phytophthora infestans*), on potato yields, a critical crop for global food security. These diseases not only threaten agricultural productivity but also contribute to economic instability and malnutrition, particularly in developing regions.
To address these challenges, the research proposes a deep learning (DL) framework based on the Inception-ResNetV2 architecture integrated with Faster R-CNN for the detection and classification of potato leaf diseases. This approach aims to improve the accuracy and efficiency of disease identification, enabling timely and disease-specific management strategies. The proposed model is designed to handle diverse environmental conditions and provide actionable insights for farmers, thereby enhancing crop yield and reducing losses. The introduction sets the stage for a comprehensive exploration of existing methodologies, the proposed strategy, and the experimental validation of the framework in subsequent sections of the paper.
Methods
The methodology section describes the development of PotatoGuardNet, a specialized model for detecting potato diseases using a customized Faster R-CNN framework. The model employs InceptionResNet-V2 as the base network for feature extraction, which is critical for effectively capturing the visual characteristics of potato leaf samples. The detection and classification of these samples are performed by a two-stage detector inherent in the Faster R-CNN architecture.
The model is specifically trained and validated on potato leaf samples, demonstrating its capability to accurately recognize various potato leaf diseases. The architecture of PotatoGuardNet is detailed in Figure 1, which illustrates its enhanced performance in disease recognition compared to standard methods.
Results
In the Results section, the paper presents a thorough evaluation of a proposed model for recognizing various potato leaf diseases. The framework was implemented using Python on an Nvidia GTX1070 GPU, with training conducted via the Adam optimizer at an initial learning rate of 0.0001 and a mini-batch size of 16 over 50 epochs. The model utilized categorical cross-entropy loss for classification alongside bounding-box regression loss typical of Faster R-CNN. Input images were standardized to a resolution of 299 × 299 pixels to meet the requirements of the Inception-ResNetV2 backbone.
The localization performance of the model was assessed using mean Average Precision (mAP) and Intersection over Union (IoU) metrics, which are crucial for evaluating the accuracy of disease localization in plant leaves. The model achieved a mAP score of 0.9556 and an IoU of 0.9504, indicating its high effectiveness in accurately identifying and localizing disease-affected areas. These results underscore the model’s potential for enhancing precision agriculture by facilitating early and accurate disease diagnosis, ultimately contributing to better crop management. Visual results further demonstrate the model’s robustness in recognizing potato plant diseases across varying stages of severity, as illustrated in Figure 5.
Discussion
The discussion section critically evaluates various methodologies for identifying potato leaf diseases, highlighting advancements and limitations in existing research. Sinshaw et al. (2022) emphasize the superiority of deep learning (DL) techniques over traditional machine learning (ML) methods for disease classification. Mahum et al. (2023) employed transfer learning with a DenseNet-201 framework, achieving effective classification but lacking in precise localization of infected areas. Other studies, such as those by Amara et al. (2023) and Tabbakh and Barpanda (2023), explored explainability and hybrid techniques, respectively, yet faced challenges in generalization and computational costs. Notably, Zhao et al. (2022) and Rashid et al. (2021) proposed models that improved classification accuracy but struggled with small or overlapping infected regions. Overall, while significant strides have been made in the automated recognition of potato leaf diseases, common issues persist, including the need for diverse datasets, effective localization, and adaptability to varying environmental conditions.
The proposed methodology leverages the Faster-RCNN framework enhanced by Inception-ResNetV2 for feature extraction, addressing the complexities of accurately identifying disease areas in images. The architecture incorporates residual learning to mitigate gradient vanishing issues, facilitating deeper networks while maintaining computational efficiency. The Region Proposal Network (RPN) generates object proposals, which are refined through classification and regression networks to improve localization accuracy. The model’s performance is evaluated using standard metrics, including precision, recall, and mean Average Precision (mAP), utilizing the PlantVillage dataset, which comprises a diverse collection of potato leaf images. This comprehensive approach not only aims to enhance disease detection accuracy but also emphasizes the importance of visualizing model outputs through heatmaps, aiding in the identification of affected areas on leaves.