DOI: https://doi.org/10.3389/fpls.2025.1643096
PMID: https://pubmed.ncbi.nlm.nih.gov/40901551
تاريخ النشر: 2025-08-18
المؤلف: Canlin Pan وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث نموذج SSD-YOLO، وهو نموذج متقدم لاكتشاف أمراض أوراق الأرز، مما يعزز بشكل كبير دقة وكفاءة التشخيص مقارنة بالطرق التقليدية المعتمدة على الفحص اليدوي. من خلال دمج شبكة الضغط والتحفيز (SENet) لتحسين هيكل الزجاجة في YOLOv8، يحسن النموذج استخراج الميزات. بالإضافة إلى ذلك، يعالج تنفيذ وحدة العينة الديناميكية (DySample) التحدي المتمثل في التشابه العالي بين أمراض الأرز وخلفياتها، بينما تستبدل دالة خسارة Shapeaware Intersection over Union (ShapeIoU) دالة خسارة Complete Intersection over Union (CIoU) التقليدية، مما يؤدي إلى تحسين الأداء في البيئات المعقدة. تم التحقق من صحة النموذج على مجموعة بيانات تتكون من 3000 صورة، محققًا دقة اكتشاف متوسطة تبلغ 87.52%، 99.48%، و98.99% لأمراض بقعة الأرز البنية، وانفجار الأرز، والعفن البكتيري، على التوالي، مع تحسينات بنسبة 11.11%، 1.73%، و3.81% مقارنة بـ YOLOv8 الأصلي، مع الحفاظ على حجم مضغوط يبلغ 6MB.
على الرغم من هذه التقدمات، يواجه SSD-YOLO قيودًا في التعميم على ظروف الحقل المتغيرة، مثل التغيرات في الإضاءة والاعتراضات، واعتماده على بيانات تدريب عالية الجودة قد يحد من استخدامه في المناطق ذات الموارد المحدودة. تهدف الأبحاث المستقبلية إلى نشر SSD-YOLO في الزراعة الواسعة النطاق للأرز، بالتعاون مع شركات التكنولوجيا الزراعية لدمج النموذج مع الطائرات بدون طيار وأجهزة استشعار التربة. تسعى هذه المبادرة إلى إنشاء نظام زراعة رقمية مغلقة الدائرة لا يكتفي بتحديد الأمراض بل يوصي أيضًا باستراتيجيات العلاج المثلى بناءً على البيانات التاريخية والظروف البيئية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحديات الحرجة التي تواجه تشخيص أمراض أوراق الأرز، والتي تؤثر بشكل كبير على الإنتاجية الزراعية والاستقرار الاقتصادي. تعتمد الطرق التشخيصية التقليدية بشكل كبير على التقييمات البصرية من الخبراء، مما يؤدي إلى عدم الكفاءة وإمكانية الأخطاء. تؤكد الورقة على الحاجة إلى أساليب تشخيصية أكثر موضوعية وعلمية، لا سيما من خلال دمج تقنيات المعلومات المتقدمة مثل الرؤية الحاسوبية والتعلم العميق. تسهل هذه التقنيات أتمتة تحديد الأمراض، الانتقال من التعلم الآلي القائم على القواعد إلى خوارزميات التعلم العميق المعتمدة على البيانات، ولا سيما الشبكات العصبية التلافيفية (CNNs)، التي أظهرت أداءً استثنائيًا في مهام الرؤية الحاسوبية.
على الرغم من مزاياها، غالبًا ما تتطلب CNNs موارد حسابية كبيرة، مما يحد من تطبيقها العملي في إعدادات الحقل. تحدد الورقة ضرورة تحسين هذه النماذج لتقليل التعقيد الحسابي وتعزيز قابلية الاستخدام. بالإضافة إلى ذلك، تشير إلى أن طرق تصنيف الصور الفردية التقليدية غير كافية للتشخيص الشامل للأمراض، حيث لا تقدم معلومات مفصلة عن مدى الإصابة. لمعالجة ذلك، تقترح الدراسة نموذجًا محسّنًا يسمى SSD-YOLO، الذي يدمج آلية الانتباه SENet وآلية الترقية الديناميكية الخفيفة DySample لتعزيز استخراج الميزات والتركيز على مناطق الأمراض ذات الصلة. تهدف إدخال دالة خسارة ShapeIoU أيضًا إلى تحسين أداء الاكتشاف في البيئات المعقدة. ستراجع الأقسام التالية من الورقة الأعمال ذات الصلة، وتفصيل منهجية SSD-YOLO، وتقديم النتائج التجريبية، وتختتم بتوجيهات البحث المستقبلية.
طرق
تحدد قسم الطرق تقنيات تقليدية ومتقدمة لاكتشاف أمراض النباتات، مع التركيز على الانتقال من الأساليب التقليدية للتعلم الآلي إلى منهجيات التعلم العميق. تعتمد الطرق التقليدية بشكل أساسي على تقنيات استخراج ميزات الصورة مثل Histogram of Oriented Gradients (HOG)، وScale-Invariant Feature Transform (SIFT)، وSpeeded Up Robust Features (SURF) لتدريب مصنفات مثل Support Vector Machines (SVM) وk-Nearest Neighbor (k-NN). حققت التقدمات الأخيرة، مثل دمج مصفوفة التكرار الرمادي (GLCM) وIntensit-Level Based Multi-Fractal Dimension (ILMFD) لاكتشاف أمراض الأرز، دقة ملحوظة (على سبيل المثال، 96.7% مع SVM) مع تسليط الضوء على قيود استخراج الميزات اليدوية وكفاءة الحساب المنخفضة.
يقارن القسم أيضًا بين طرق الاكتشاف المختلفة، مصنفًا إياها إلى ثلاثة مسارات تقنية: طرق هندسة الميزات التقليدية، ونماذج CNN خفيفة الوزن، ونماذج معززة بآلية الانتباه. بينما تحقق الطرق التقليدية دقة تصل إلى 96.7%، فإنها تعاني من تصميم الميزات اليدوي. تحسن CNNs الخفيفة متوسط دقة المتوسط (mAP) إلى 92.5% لكنها تواجه صعوبة في اكتشاف الأجسام الصغيرة. تصل النماذج المعززة بالانتباه إلى mAP50 قدره 96.17% لكنها تواجه تحديات تتعلق بتعقيد النموذج وتشابه الخلفية. استخدم الإعداد التجريبي خادمًا عالي الأداء مع وحدات معالجة الرسوميات Nvidia RTX 3090، مستخدمًا مُحسِّن Adam ودالة خسارة ShapeIoU، بالإضافة إلى استراتيجيات لضبط معدل التعلم والتوقف المبكر لتحسين تدريب النموذج ومنع الإفراط في التكيف.
نتائج
تظهر نتائج الدراسة أن نموذج SSD-YOLO المقترح لاكتشاف أمراض أوراق الأرز يظهر أداءً قويًا عبر ظروف بيئية مختلفة وسيناريوهات تتضمن عدة أجسام. يحدد النموذج أوراق الأرز المتأثرة بنوع واحد من الأمراض بشكل فعال، بالإضافة إلى تمييزها بدقة عن الخلفيات المعقدة. من الجدير بالذكر أنه يحافظ على دقة اكتشاف عالية حتى عندما تتداخل أوراق مريضة متعددة وعندما تكون هناك اختلافات كبيرة في مناطق ميزات المرض.
لتقييم أداء نموذج SSD-YOLO بشكل أكبر، تم إجراء تحليل مقارن ضد عدة نماذج أخرى، بما في ذلك YOLOv8n الأصلي، ونسخة تستخدم دالة خسارة ShapeIoU، ونموذج محسّن مع آلية الانتباه SE، وآخر يدمج وحدة الترقية Dysample. تسلط نتائج هذا المقارنة متعددة النماذج، الموضحة في الشكل 10، الضوء على القدرات المتفوقة لنموذج SSD-YOLO في التعرف على آفات أوراق الأرز، مؤكدة فعاليته في مهمة التعرف على الأمراض.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدمات في الشبكات العصبية التلافيفية الخفيفة (CNNs)، مع التركيز بشكل خاص على نماذج YOLO المختلفة للتطبيقات الزراعية، لا سيما في اكتشاف أمراض النباتات. تشمل المساهمات الملحوظة DM-YOLO، الذي يعزز اكتشاف أمراض أوراق الطماطم بدقة 92.5% ومتوسط دقة (mAP) قدره 86.4%، وYOLO v5sours، الذي يحسن اكتشاف عيوب البطاطس إلى 85.1% mAP مع الحفاظ على الأداء في الوقت الحقيقي. تظهر نماذج أخرى، مثل GDS-YOLO وLCDDN-YOLO، تحسينات كبيرة في اكتشاف أمراض الأرز وآفات القطن، على التوالي، مما يبرز فعالية دمج تقنيات متقدمة مثل آليات الانتباه وطرق استخراج الميزات الفعالة.
كما يؤكد القسم على إدخال SSD-YOLO، وهو نموذج محسّن يدمج SENetV2 لتحسين استخراج الميزات، وDySample للترقية الفعالة، وShapeIoU لتحسين انحدار الصندوق المحيط. تشير النتائج التجريبية إلى أن SSD-YOLO يحقق أداءً متفوقًا مع mAP قدره 95.32% ودقة 95.19%، متفوقًا على عدة نماذج رائدة. ومع ذلك، يواجه النموذج تحديات في التعميم تحت ظروف الحقل المتغيرة ويعتمد بشكل كبير على بيانات تدريب عالية الجودة، مما قد يحد من نشره في البيئات ذات الموارد المحدودة. تهدف الأعمال المستقبلية إلى دمج SSD-YOLO في نظام زراعة رقمية شاملة، مما يعزز اكتشاف الأمراض وتوصيات العلاج من خلال تقنيات متقدمة.
DOI: https://doi.org/10.3389/fpls.2025.1643096
PMID: https://pubmed.ncbi.nlm.nih.gov/40901551
Publication Date: 2025-08-18
Author(s): Canlin Pan et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents SSD-YOLO, an advanced model for detecting rice leaf diseases, which significantly enhances diagnostic accuracy and efficiency compared to traditional methods reliant on manual inspection. By integrating the Squeeze-and-Excitation Network (SENet) to optimize the Bottleneck structure of YOLOv8, the model improves feature extraction. Additionally, the implementation of a Dynamic Sample (DySample) module addresses the challenge of high similarity between rice diseases and their backgrounds, while the Shapeaware Intersection over Union (ShapeIoU) Loss function replaces the conventional Complete Intersection over Union (CIoU) loss, leading to improved performance in complex environments. The model was validated on a dataset of 3000 images, achieving average detection accuracies of 87.52%, 99.48%, and 98.99% for rice brown spot, rice blast, and bacterial blight, respectively, with enhancements of 11.11%, 1.73%, and 3.81% over the original YOLOv8, all while maintaining a compact size of 6MB.
Despite these advancements, SSD-YOLO faces limitations in generalizing to variable field conditions, such as changes in lighting and occlusions, and its reliance on high-quality training data may restrict its use in resource-limited areas. Future research aims to deploy SSD-YOLO in large-scale rice farming, collaborating with agricultural technology companies to integrate the model with autonomous drones and soil sensors. This initiative seeks to establish a closed-loop digital agriculture system that not only identifies diseases but also recommends optimal treatment strategies based on historical data and environmental conditions.
Introduction
The introduction of the research paper highlights the critical challenges faced in diagnosing rice leaf diseases, which significantly impact agricultural productivity and economic stability. Traditional diagnostic methods rely heavily on expert visual assessments, leading to inefficiencies and potential misjudgments. The paper emphasizes the need for more objective and scientific diagnostic approaches, particularly through the integration of advanced information technologies such as computer vision and deep learning. These technologies facilitate the automation of disease identification, moving from rule-based machine learning to data-driven deep learning algorithms, notably convolutional neural networks (CNNs), which have shown exceptional performance in computer vision tasks.
Despite their advantages, CNNs often require substantial computational resources, limiting their practical application in field settings. The paper identifies the necessity for optimizing these models to reduce computational complexity and enhance usability. Additionally, it notes that traditional single-image classification methods are insufficient for comprehensive disease diagnosis, as they do not provide detailed information on the extent of infection. To address this, the study proposes an improved model named SSD-YOLO, which incorporates the SENet attention mechanism and a DySample lightweight dynamic upsampling module to enhance feature extraction and focus on relevant disease areas. The introduction of ShapeIoU Loss further aims to improve detection performance in complex environments. The subsequent sections of the paper will review related works, detail the SSD-YOLO methodology, present experimental results, and conclude with future research directions.
Methods
The methods section outlines traditional and advanced techniques for plant disease detection, emphasizing the transition from conventional machine learning approaches to deep learning methodologies. Traditional methods primarily rely on image feature extraction techniques such as Histogram of Oriented Gradients (HOG), Scale-Invariant Feature Transform (SIFT), and Speeded Up Robust Features (SURF) to train classifiers like Support Vector Machines (SVM) and k-Nearest Neighbor (k-NN). Recent advancements, such as the integration of Gray-level Co-occurrence Matrix (GLCM) and Intensity-Level Based Multi-Fractal Dimension (ILMFD) for rice disease detection, have achieved notable accuracies (e.g., 96.7% with SVM) while highlighting the limitations of manual feature extraction and lower computational efficiency.
The section also compares various detection methods, categorizing them into three technical routes: traditional feature engineering methods, lightweight CNN models, and attention mechanism-enhanced models. While traditional methods achieve up to 96.7% accuracy, they are hindered by manual feature design. Lightweight CNNs improve mean Average Precision (mAP) to 92.5% but struggle with small object detection. Attention-enhanced models reach mAP50 of 96.17% but face challenges related to model complexity and background similarity. The experimental setup utilized a high-performance server with Nvidia RTX 3090 GPUs, employing the Adam optimizer and a ShapeIoU loss function, along with strategies for learning rate adjustment and early stopping to optimize model training and prevent overfitting.
Results
The results of the study demonstrate that the proposed SSD-YOLO model for rice disease leaf detection exhibits robust performance across various environmental conditions and scenarios involving multiple objects. The model effectively identifies rice leaves affected by a single disease type, as well as accurately distinguishing them from complex backgrounds. Notably, it maintains high detection accuracy even when multiple diseased leaves overlap and when there are significant variations in disease feature areas.
To further assess the performance of the SSD-YOLO model, a comparative analysis was conducted against several other models, including the original YOLOv8n, a variant utilizing the ShapeIoU loss function, an optimized model with the SE attention mechanism, and another incorporating the Dysample upsampling module. The results of this multi-model comparison, illustrated in Figure 10, highlight the superior capabilities of the SSD-YOLO model in recognizing rice leaf lesions, confirming its effectiveness in the disease recognition task.
Discussion
The discussion section of the research paper highlights the advancements in lightweight convolutional neural networks (CNNs), particularly focusing on various YOLO-based models for agricultural applications, specifically in detecting plant diseases. Notable contributions include DM-YOLO, which enhances tomato leaf disease detection with a precision of 92.5% and a mean Average Precision (mAP) of 86.4%, and YOLO v5sours, which improves potato defect detection to 85.1% mAP while maintaining real-time performance. Other models, such as GDS-YOLO and LCDDN-YOLO, demonstrate significant improvements in rice disease and cotton pest detection, respectively, showcasing the effectiveness of integrating advanced techniques like attention mechanisms and efficient feature extraction methods.
The section also emphasizes the introduction of SSD-YOLO, an enhanced model that incorporates SENetV2 for improved feature extraction, DySample for efficient upsampling, and ShapeIoU for better bounding box regression. Experimental results indicate that SSD-YOLO achieves superior performance with a mAP of 95.32% and an accuracy of 95.19%, outperforming several state-of-the-art models. However, the model faces challenges in generalization under variable field conditions and relies heavily on high-quality training data, which may limit its deployment in resource-constrained environments. Future work aims to integrate SSD-YOLO into a comprehensive digital agriculture system, enhancing disease detection and treatment recommendations through advanced technologies.