DOI: https://doi.org/10.3389/fpls.2024.1499278
PMID: https://pubmed.ncbi.nlm.nih.gov/39958585
تاريخ النشر: 2025-01-31
المؤلف: Xuewei Wang وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث TomatoGuard-YOLO، وهو إطار متقدم للكشف مصمم لمعالجة التحديات المتعلقة بالكشف عن الأمراض في الطماطم، والتي تؤثر بشكل كبير على المحصول والجودة. يعتمد هذا الإطار على بنية YOLOv10 المحسنة ويقدم ابتكارات رئيسية: وحدة البقايا المقلوبة متعددة المسارات (MPIRU) لتحسين استخراج الميزات متعددة المقاييس وإطار التركيز الديناميكي (DFAF) للتركيز التكيفي على المناطق ذات الصلة بالأمراض. بالإضافة إلى ذلك، فإن استخدام دالة خسارة Focal-EIoU يعزز دقة مطابقة صناديق الحدود ويعالج قضايا عدم التوازن في الفئات. تظهر النتائج التجريبية أن TomatoGuard-YOLO يحقق دقة متوسطة (mAP50) تبلغ 94.23%، وسرعة استدلال تبلغ 129.64 إطارًا في الثانية، وحجم نموذج مضغوط يبلغ 2.65 ميجابايت، مما يجعله تقدمًا كبيرًا في إدارة الأمراض النباتية الذكية.
في الختام، لا يعزز TomatoGuard-YOLO دقة وكفاءة الكشف فحسب، بل يقلل أيضًا من تعقيد النموذج. تساهم MPIRU في تحسين استخراج الميزات، بينما يقوم DFAF بتحسين تحديد المناطق الحرجة للأمراض دون تكاليف حسابية كبيرة. تعالج دالة خسارة Focal-EIoU بشكل فعال عدم توازن العينات وتعزز انحدار صناديق الحدود، مما يؤدي إلى تحسين الكشف عن الأجسام الصغيرة والأمراض الحدودية. بشكل عام، يتفوق النموذج على الأساليب الحالية، محققًا تحسينًا بمقدار 10.07 نقطة مئوية مقارنة بـ YOLOv10 الأصلي، إلى جانب تقليل كبير في حجم النموذج والمعلمات. تؤكد هذه النتائج على إمكانيات TomatoGuard-YOLO للتطبيقات العملية في الزراعة، حيث توفر أدوات موثوقة للكشف عن الأمراض وإدارتها في زراعة الطماطم، مما يعزز الكفاءة ويقلل من الخسائر.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور التحويلي للذكاء الاصطناعي (AI) في الزراعة الدقيقة، لا سيما في الكشف عن الأمراض وإدارتها. مع التركيز على الطماطم، التي تكون عرضة لأمراض مثل العفن المتأخر والبقع البكتيرية، تؤكد الورقة على الآثار الاقتصادية للكشف المبكر عن الأمراض على الأمن الغذائي. تعتبر طرق التشخيص البصري التقليدية، على الرغم من فائدتها، ذات طابع شخصي وغير فعالة للعمليات الزراعية على نطاق واسع. وبالتالي، اكتسبت تقنيات التعرف على الصور المدفوعة بالذكاء الاصطناعي، وخاصة خوارزميات الكشف عن الأجسام المعتمدة على التعلم العميق، زخمًا لأتمتة تحديد الأمراض في بيئات متنوعة.
تناقش الورقة تطور تقنيات الكشف عن الأجسام، مع التركيز على التقدم في سلسلة خوارزميات YOLO (You Only Look Once)، التي حسنت بشكل كبير من سرعة ودقة الكشف. تقدم النسخة الأحدث، YOLOv10، بنية خفيفة الوزن وميزات مبتكرة مثل وحدات الالتفاف متعددة المسارات وآليات الانتباه التكيفية، مما يعزز قابليتها للتطبيق في البيئات الزراعية المعقدة. تقترح الدراسة خوارزمية محسنة تعتمد على YOLOv10، تتضمن مجموعة بيانات خاصة بأمراض الطماطم تم إنشاؤها ذاتيًا وابتكارات جديدة مثل وحدة البقايا المقلوبة متعددة المسارات (MPIRU) وإطار التركيز الديناميكي (DFAF) لتعزيز استخراج الميزات وكشف الأهداف الصغيرة. تهدف هذه الدراسة إلى توفير إطار قوي للكشف المبكر والسيطرة على أمراض الطماطم، مما يدعم الممارسات الزراعية الذكية ويضمن كفاءة الإنتاج.
طرق
في هذا القسم، يناقش المؤلفون تطور طرق الكشف عن الأمراض الزراعية، مع تسليط الضوء على الانتقال من التقنيات التقليدية إلى الأساليب المعتمدة على التعلم العميق. تقتصر الطرق التقليدية، التي تعتمد بشكل كبير على استخراج الميزات يدويًا، على ذاتيتها، والحاجة إلى خبرة واسعة، ودقتها المتناقصة في مواجهة مجموعات البيانات الكبيرة. بالمقابل، تقدم تقنيات التعلم العميق مزايا كبيرة، بما في ذلك التعلم التلقائي للميزات من مجموعات بيانات الصور الضخمة، والقضاء على التدخل اليدوي، وزيادة كفاءة المعالجة. تؤدي هذه التقدمات إلى تحسين دقة الكشف وموثوقية تحديد أمراض المحاصيل.
كما يؤكد المؤلفون على أهمية بيانات التدريب عالية الجودة لنماذج التعلم العميق، مصنفين مجموعات البيانات إلى نوعين: الصور الملتقطة في بيئات طبيعية، والتي تعزز من قوة النموذج، وتلك الملتقطة في ظروف مثالية، والتي قد تعيق قابليتها للتطبيق في العالم الحقيقي. علاوة على ذلك، يتم توثيق الإعداد التجريبي بدقة، مع تفاصيل تكوينات الأجهزة والبرامج، بما في ذلك استخدام وحدة معالجة الرسوميات NVIDIA A100 وإطار PyTorch. يتم تحديد المعلمات الرئيسية مثل حجم الدفعة، واختيار المحسن (AdamW مع التبريد الكوني)، وآلية الإيقاف المبكر لضمان تدريب النموذج بشكل فعال وتقليل الإفراط في التخصيص.
نتائج
تظهر نتائج دراسة الإلغاء فعالية التحسينات المقترحة لنموذج YOLOv10 للكشف عن أمراض الطماطم. أدت إضافة وحدة MPIRU إلى تحسين دقة الكشف بشكل كبير، حيث زادت دقة المتوسط (mAP) عند 50% (mAP50) من 84.15% إلى 91.82%، بينما تم تقليل حجم النموذج من 5.61 ميجابايت إلى 2.62 ميجابايت. أدى دمج وحدة c2f-DFAF إلى تحسين الأداء بشكل أكبر، محققًا mAP50 يبلغ 88.92%، وعززت دالة خسارة Focal-EIoU الدقة إلى 88.72% دون زيادة التعقيد. أدت التطبيق المشترك لجميع الوحدات الثلاث إلى تحقيق أعلى أداء، مع mAP50 يبلغ 94.23% وحجم نموذج مضغوط يبلغ 2.65 ميجابايت، مما يظهر الفوائد التآزرية لهذه التحسينات في تحقيق كل من الدقة العالية والتصميم الخفيف الوزن.
عند تقييم نموذج TomatoGuard-YOLO مقابل مجموعة بيانات غير متوازنة مخصصة، حقق مقاييس دقة واسترجاع ومتوسط دقة (AP) تتجاوز 90% لجميع أنواع الأمراض والعينات الصحية، مع mAP إجمالي يبلغ 94.23%. تفوق هذا النموذج في الكشف عن كل من الأمراض الشائعة والنادرة، مثل العفن المتأخر والعفن الرمادي، متفوقًا بشكل كبير على نماذج أخرى مثل YOLOv10 وYOLOv8n، خاصة في الحالات الصعبة. توضح نتائج التصور أيضًا قدرة TomatoGuard-YOLO الفائقة في تحديد وتحديد المناطق المريضة بدقة، حتى تحت خلفيات معقدة وظروف إضاءة متغيرة. تؤكد هذه النتائج على قوة النموذج ودقته، مما يوفر دعمًا قيمًا للتدخلات الزراعية في الوقت المناسب.
مناقشة
تسلط المناقشة الضوء على التقدمات والتحديات المستمرة في الكشف عن الأمراض الزراعية، مع التركيز بشكل خاص على أمراض الطماطم. بينما تظهر النماذج الحالية، مثل تلك التي طورها لي وآخرون (2019) وكي وآخرون (2022)، دقة واعدة وقدرات معالجة في الوقت الحقيقي، فإنها غالبًا ما تواجه مشكلات في النشر بسبب الطبيعة المعقدة والمتغيرة للبيئات الزراعية. تؤكد الدراسة على الحاجة إلى حلول خفيفة الوزن وفعالة يمكن أن تتكيف مع تقلبات حدوث الأمراض وظروف البيئة المتغيرة. لمعالجة هذه التحديات، يقترح المؤلفون طريقة كشف محسنة، TomatoGuard-YOLO، التي تدمج عدة مكونات مبتكرة، بما في ذلك وحدة البقايا المقلوبة متعددة المسارات (MPIRU) لتحسين استخراج الميزات متعددة المقاييس، وإطار التركيز الديناميكي (DFAF) لتعزيز دقة التحديد.
يهدف نموذج TomatoGuard-YOLO المقترح إلى تحسين أداء الكشف مع تقليل التعقيد الحسابي. تشمل الابتكارات الرئيسية دالة خسارة Focal-EIoU، التي تعالج بشكل فعال عدم التوازن في الفئات وتحسن دقة انحدار صناديق الحدود، لا سيما للأمراض النادرة. كما تفصل الدراسة استراتيجية شاملة لإعداد مجموعة البيانات التي تلتقط التوزيع الطبيعي لأمراض الطماطم، باستخدام أخذ عينات طبقية وتقنيات تعزيز البيانات المستهدفة لتعزيز تدريب النموذج. بشكل عام، تؤكد النتائج على إمكانيات نموذج TomatoGuard-YOLO في تعزيز الكشف عن الأمراض في الوقت الحقيقي في البيئات الزراعية المعقدة، مما يقلل من الاعتماد على التشخيص اليدوي ويحسن الإنتاجية الزراعية.
القيود
تسلط قسم القيود الضوء على التحديات التي تواجه نماذج الكشف عن الأمراض الزراعية، لا سيما تلك المدربة على مجموعات بيانات بيئات مثالية. بينما تظهر نماذج مثل تلك التي طورها بورا وآخرون (2023)، وزانغ وآخرون (2023)، وسونيل وآخرون (2023) دقة عالية في الإعدادات الخاضعة للرقابة، فإن أدائها في البيئات الطبيعية لا يزال غير موثق. تكافح هذه النماذج مع الخلفيات المعقدة، وتغيرات الإضاءة، وأحجام الآفات المتنوعة، مما يحد من قابليتها للتطبيق في السيناريوهات الزراعية الواقعية. من الجدير بالذكر أنه على الرغم من تحقيق معدلات دقة مثيرة للإعجاب، فإن هذه النماذج تفشل في تحديد مواقع الآفات بدقة داخل الصور، وهو متطلب حاسم للاستخدام العملي في الزراعة.
تؤكد المناقشة حول قيود البحث والاتجاهات المستقبلية على الحاجة إلى التحقق من صحة النماذج مثل TomatoGuard-YOLO على نطاق واسع في الميدان لتقييم فعاليتها في العالم الحقيقي. يجب أن تركز الأبحاث المستقبلية على تحسين مكونات النموذج للحصول على ميزات أفضل وآليات انتباه، وتوسيع قابلية تطبيق النموذج على محاصيل مختلفة، واختبار قوته في ظروف الحقل المعقدة. بالإضافة إلى ذلك، يمكن أن تعزز تقنيات الحوسبة الطرفية للنشر على الأجهزة ذات الموارد المحدودة والقضاء على التعاون مع أنظمة الزراعة الذكية الأخرى القيمة العملية للنموذج وتحسين قدرات التحذير المبكر من الأمراض، مما يعزز ممارسات الزراعة الذكية.
DOI: https://doi.org/10.3389/fpls.2024.1499278
PMID: https://pubmed.ncbi.nlm.nih.gov/39958585
Publication Date: 2025-01-31
Author(s): Xuewei Wang et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents TomatoGuard-YOLO, an advanced detection framework designed to address the challenges of detecting diseases in tomatoes, which significantly impact yield and quality. This framework is built on an enhanced YOLOv10 architecture and introduces two key innovations: the Multi-Path Inverted Residual Unit (MPIRU) for improved multi-scale feature extraction and the Dynamic Focusing Attention Framework (DFAF) for adaptive focus on disease-relevant regions. Additionally, the use of the Focal-EIoU loss function enhances bounding box matching accuracy and addresses class imbalance issues. Experimental results demonstrate that TomatoGuard-YOLO achieves a mean Average Precision (mAP50) of 94.23%, an inference speed of 129.64 FPS, and a compact model size of 2.65 MB, marking it as a significant advancement in intelligent plant disease management.
In conclusion, TomatoGuard-YOLO not only enhances detection accuracy and efficiency but also reduces model complexity. The MPIRU contributes to improved feature extraction, while the DFAF optimizes the identification of critical disease areas without substantial computational costs. The Focal-EIoU loss function effectively addresses sample imbalance and enhances bounding box regression, leading to better detection of small objects and boundary diseases. Overall, the model outperforms existing methods, achieving a 10.07 percentage point improvement over the original YOLOv10, alongside a significant reduction in model size and parameters. These findings underscore TomatoGuard-YOLO’s potential for practical applications in agriculture, providing reliable tools for disease detection and management in tomato cultivation, ultimately enhancing efficiency and reducing losses.
Introduction
The introduction of this research paper highlights the transformative role of artificial intelligence (AI) in precision farming, particularly in the detection and management of crop diseases. With a focus on tomatoes, which are vulnerable to diseases like late blight and bacterial speck, the paper underscores the economic implications of timely disease detection for food security. Traditional visual diagnosis methods, while useful, are subjective and inefficient for large-scale agricultural operations. Consequently, AI-driven image recognition technologies, especially deep learning-based object detection algorithms, have gained traction for automating disease identification in various environments.
The paper discusses the evolution of object detection techniques, emphasizing the advancements in the YOLO (You Only Look Once) algorithm series, which have significantly improved detection speed and accuracy. The latest iteration, YOLOv10, introduces a lightweight architecture and innovative features such as multi-path convolution modules and adaptive attention mechanisms, enhancing its applicability in complex agricultural settings. The study proposes an improved YOLOv10-based algorithm, incorporating a self-built tomato disease dataset and novel enhancements like the Multi-Path Inverted Residual Unit (MPIRU) and Dynamic Focusing Attention Framework (DFAF) to bolster feature extraction and small target detection. This research aims to provide a robust framework for early detection and control of tomato diseases, thereby supporting intelligent agricultural practices and ensuring production efficiency.
Methods
In this section, the authors discuss the evolution of agricultural disease detection methods, highlighting the transition from traditional techniques to deep learning approaches. Traditional methods, which rely heavily on manual feature extraction, are limited by their subjectivity, the necessity for extensive expertise, and their declining accuracy in the face of large datasets. In contrast, deep learning technologies offer significant advantages, including automatic feature learning from vast image datasets, elimination of manual intervention, and enhanced processing efficiency. These advancements lead to improved detection accuracy and reliability in identifying crop diseases.
The authors also emphasize the importance of high-quality training data for deep learning models, categorizing datasets into two types: images captured in natural environments, which enhance model robustness, and those taken in ideal conditions, which may hinder real-world applicability. Furthermore, the experimental setup is meticulously documented, detailing the hardware and software configurations, including the use of an NVIDIA A100 GPU and the PyTorch framework. Key parameters such as batch size, optimizer choice (AdamW with cosine annealing), and an early stopping mechanism are specified to ensure effective model training and to mitigate overfitting.
Results
The results of the ablation study demonstrate the effectiveness of the proposed enhancements to the YOLOv10 model for tomato disease detection. The introduction of the MPIRU module significantly improved detection accuracy, with mean Average Precision (mAP) at 50% (mAP50) increasing from 84.15% to 91.82%, while also reducing model size from 5.61MB to 2.62MB. The integration of the c2f-DFAF module further optimized performance, achieving an mAP50 of 88.92%, and the Focal-EIoU loss function enhanced accuracy to 88.72% without increasing complexity. The combined application of all three modules resulted in the highest performance, with an mAP50 of 94.23% and a compact model size of 2.65MB, showcasing the synergistic benefits of these enhancements in achieving both high precision and lightweight design.
In evaluating the TomatoGuard-YOLO model against a custom imbalanced dataset, it achieved notable Precision, Recall, and Average Precision (AP) metrics exceeding 90% for all disease types and healthy samples, with an overall mAP of 94.23%. This model excelled in detecting both common and rare diseases, such as late blight and gray mold, significantly outperforming other models like YOLOv10 and YOLOv8n, particularly in challenging cases. The visualization results further illustrate TomatoGuard-YOLO’s superior capability in accurately identifying and localizing diseased regions, even under complex backgrounds and varying lighting conditions. These findings underscore the model’s robustness and precision, providing valuable support for timely agricultural interventions.
Discussion
The discussion highlights the advancements and ongoing challenges in agricultural disease detection, particularly focusing on tomato diseases. While existing models, such as those developed by Li et al. (2019) and Qi et al. (2022), demonstrate promising accuracy and real-time processing capabilities, they often face deployment issues due to the complex and variable nature of agricultural environments. The study emphasizes the need for lightweight, efficient solutions that can adapt to fluctuating disease occurrences and varying environmental conditions. To address these challenges, the authors propose an enhanced detection method, TomatoGuard-YOLO, which integrates several innovative components, including the Multi-Path Inverted Residual Unit (MPIRU) for improved multi-scale feature extraction, and the Dynamic Focusing Attention Framework (DFAF) to enhance localization accuracy.
The proposed TomatoGuard-YOLO model aims to optimize detection performance while minimizing computational complexity. Key innovations include the Focal-EIoU loss function, which effectively addresses class imbalance and improves bounding box regression accuracy, particularly for rare diseases. The study also details a comprehensive dataset preparation strategy that captures the natural distribution of tomato diseases, employing stratified sampling and targeted data augmentation techniques to enhance model training. Overall, the findings underscore the potential of the TomatoGuard-YOLO model to advance real-time disease detection in complex agricultural settings, thereby reducing reliance on manual diagnosis and improving agricultural productivity.
Limitations
The section on limitations highlights the challenges faced by agricultural disease detection models, particularly those trained on ideal environment datasets. While models such as those developed by Bora et al. (2023), Zhang et al. (2023), and Sunil et al. (2023) demonstrate high accuracy in controlled settings, their performance in natural environments remains unvalidated. These models struggle with complex backgrounds, lighting variations, and diverse lesion sizes, which limits their applicability in real-world agricultural scenarios. Notably, despite achieving impressive accuracy rates, these models fail to accurately locate lesions within images, a critical requirement for practical use in agriculture.
The discussion on research limitations and future directions emphasizes the need for large-scale field validation of models like TomatoGuard-YOLO to assess their real-world effectiveness. Future research should focus on optimizing model components for better feature extraction and attention mechanisms, expanding the model’s applicability to different crops, and testing its robustness in complex field conditions. Additionally, integrating edge computing technologies for deployment on resource-constrained devices and collaborating with other agricultural intelligent systems could enhance the model’s practical value and improve disease early warning capabilities, thereby advancing intelligent agriculture practices.