DOI: https://doi.org/10.1038/s41598-025-14021-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40764650
تاريخ النشر: 2025-08-05
المؤلف: Ramanjot Kaur وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تتناول هذه الورقة البحثية القضية الحرجة لأمراض النباتات التي تؤثر سلبًا على إنتاج المحاصيل والاستقرار الاقتصادي، لا سيما في القطاع الزراعي في الهند. يقترح المؤلفون نهجًا جديدًا، يسمى YOLO-LeafNet، لاكتشاف الأمراض في صور الأوراق من أربعة أنواع من المحاصيل: العنب، والفلفل الحلو، والذرة، والبطاطس. باستخدام مجموعة بيانات تحتوي على حوالي 8,850 صورة ورقة مأخوذة من خمسة مجموعات بيانات متاحة للجمهور على كاجل، تستخدم الدراسة تقنيات مختلفة لمعالجة الصور وزيادة البيانات لتعزيز أداء النموذج. يتم تقييم النماذج، بما في ذلك YOLOv5 و YOLOv8 و YOLO-LeafNet المقترح، بناءً على الدقة، والاسترجاع، ومتوسط الدقة (mAP). تشير النتائج إلى أن YOLO-LeafNet يتفوق على كل من YOLOv5 و YOLOv8 عبر جميع المقاييس، محققًا دقة قدرها 0.985، واسترجاع قدره 0.980، وmAP50 قدره 0.990، وmAP50-95 قدره 0.940.
تؤكد النتائج على إمكانيات تقنيات التعلم العميق في تحسين الكشف المبكر عن أمراض النباتات، وهو أمر ضروري للتخفيف من الخسائر في الإنتاجية الزراعية. بينما يظهر YOLOv8 أداءً قويًا، يتفوق النموذج المقترح YOLO-LeafNet عليه، مما يبرز أهمية اختيار استراتيجيات المعالجة المسبقة وزيادة البيانات المناسبة. تشمل اتجاهات البحث المستقبلية توسيع النموذج ليشمل أنواعًا إضافية من النباتات ودمج YOLO-LeafNet مع الطائرات بدون طيار وأجهزة استشعار إنترنت الأشياء للمراقبة في الوقت الحقيقي، مما يعزز عمليات اتخاذ القرار في الزراعة. بالإضافة إلى ذلك، يمكن أن يمكّن تطوير تطبيق موبايل المزارعين من الحصول على أدوات متاحة لتحديد الأمراض مبكرًا.
الطرق
تتكون المنهجية المقترحة لاكتشاف أمراض النباتات من سبع مراحل، تبدأ بجمع صور الأوراق من أربعة أنواع من النباتات، تليها التسمية إلى أحد عشر فئة. ثم يتم تقسيم الصور إلى ثلاث مجموعات، ومعالجتها مسبقًا لتحسين وقت التدريب، وزيادتها لتعزيز مجموعة بيانات التدريب. يتم تدريب واختبار النماذج، بما في ذلك YoloV5 و YoloV8 و YOLO-LeafNet المطور حديثًا، على وحدة معالجة الرسوميات Tesla T4 باستخدام معلمات محددة مثل معدل التعلم 0.001 وحجم الدفعة 16. أظهر نموذج YOLO-LeafNet تعقيدًا حسابيًا قدره 28.5 GFLOPS وسرعة استدلال مثيرة للإعجاب قدرها 55.6 إطارًا في الثانية. تم استخدام مقاييس الأداء، بما في ذلك الدقة، والاسترجاع، ومتوسط الدقة (mAP)، لتقييم النماذج، حيث حقق YOLO-LeafNet أعلى درجات الثقة عبر توقعات الأمراض المختلفة.
في التحليلات المقارنة، تفوق YOLO-LeafNet المقترح على النماذج الحالية الرائدة، بما في ذلك VGG19 و ResNet-50، لا سيما في الدقة والاسترجاع لاكتشاف الأمراض في أوراق البطاطس. ساهمت تحسينات المنهجية، مثل معالجة الصور مسبقًا وزيادة البيانات، في تحسين أداء النموذج، مما سمح لـ YOLO-LeafNet بتحقيق mAP قدره 94% والتفوق على النماذج الأخرى في مقاييس مختلفة. تشير النتائج إلى أن النهج المقترح لا يعزز دقة اكتشاف الأمراض فحسب، بل يعالج أيضًا تحديات التطبيق في الوقت الحقيقي في البيئات ذات الموارد المحدودة، مما يتماشى مع التقدم الأخير في نماذج YOLO لمهام الكشف المتنوعة.
المناقشة
في قسم المناقشة من الورقة البحثية، يوضح المؤلفون المنهجية وتقييم الأداء لنموذج التعلم العميق المقترح، YOLO-LeafNet، لاكتشاف أمراض النباتات عبر أربعة أنواع: الفلفل، والعنب، والذرة، والبطاطس. تضمنت مرحلة جمع البيانات جمع الصور من خمسة مجموعات بيانات متاحة للجمهور، والتي تم تصنيفها بعد ذلك وتقسيمها إلى مجموعات تدريب، والتحقق، والاختبار. تم استخدام تقنيات معالجة الصور، بما في ذلك تغيير الحجم إلى $416 \times 416$ بكسل، وضبط التباين، والقص الثابت، لتحسين جودة الصورة وتحسين استخراج الميزات. بالإضافة إلى ذلك، تم تطبيق تقنيات زيادة البيانات مثل التدوير، والانعكاس، وضبط السطوع لزيادة حجم مجموعة البيانات من 8,850 إلى 23,032 صورة، مما يعزز من قوة النموذج ويقلل من الإفراط في التكيف.
تمت مقارنة أداء YOLO-LeafNet مع YoloV5 و YoloV8، مما كشف أن YOLO-LeafNet حقق أعلى دقة (98.5%)، واسترجاع (98.0%)، ومتوسط دقة (mAP) (94%) لاكتشاف أحد عشر فئة من أوراق النباتات. في المقابل، أظهرت YoloV5 و YoloV8 مقاييس أداء أقل، حيث حققت YoloV8 دقة قدرها 97.7% واسترجاع قدره 97.5%. تشير النتائج إلى أن النموذج المقترح يعزز بشكل كبير قدرات اكتشاف الأمراض، متفوقًا على النماذج الحالية، مما يشير إلى أن الاختيار الدقيق لاستراتيجيات المعالجة المسبقة وزيادة البيانات أمر بالغ الأهمية لتحقيق النتائج المثلى. قد تتضمن الأعمال المستقبلية توسيع النموذج ليشمل أنواعًا إضافية من النباتات ودمجه مع تكنولوجيا الطائرات بدون طيار والتطبيقات المحمولة للمراقبة في الوقت الحقيقي والكشف المبكر عن الأمراض في الممارسات الزراعية.
DOI: https://doi.org/10.1038/s41598-025-14021-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40764650
Publication Date: 2025-08-05
Author(s): Ramanjot Kaur et al.
Primary Topic: Smart Agriculture and AI
Overview
This research paper addresses the critical issue of plant diseases that adversely affect crop yield and economic stability, particularly in the agricultural sector of India. The authors propose a novel approach, termed YOLO-LeafNet, for the detection of diseases in leaf images from four crop species: grape, bell pepper, corn, and potato. Utilizing a dataset of approximately 8,850 leaf images sourced from five publicly available Kaggle datasets, the study employs various image pre-processing and augmentation techniques to enhance model performance. The models, including YOLOv5, YOLOv8, and the proposed YOLO-LeafNet, are evaluated based on precision, recall, and Mean Average Precision (mAP). The results indicate that YOLO-LeafNet outperforms both YOLOv5 and YOLOv8 across all metrics, achieving a precision of 0.985, recall of 0.980, mAP50 of 0.990, and mAP50-95 of 0.940.
The findings underscore the potential of deep learning technologies in improving the early detection of plant diseases, which is essential for mitigating losses in agricultural productivity. While YOLOv8 demonstrates strong performance, the proposed YOLO-LeafNet surpasses it, highlighting the importance of selecting appropriate preprocessing and augmentation strategies. Future research directions include expanding the model to encompass additional plant species and integrating YOLO-LeafNet with drones and IoT sensors for real-time monitoring, thereby enhancing decision-making processes in agriculture. Additionally, the development of a mobile application could empower farmers with accessible tools for early disease identification.
Methods
The proposed methodology for plant disease detection consists of seven stages, beginning with the collection of leaf images from four plant species, followed by annotation into eleven classes. The images are then partitioned into three sets, pre-processed to optimize training time, and augmented to enhance the training dataset. The models, including YoloV5, YoloV8, and the newly developed YOLO-LeafNet, are trained and tested on a Tesla T4 GPU using specific parameters such as a learning rate of 0.001 and a batch size of 16. The YOLO-LeafNet model demonstrated a computational complexity of 28.5 GFLOPS and an impressive inference speed of 55.6 frames per second. Performance metrics, including precision, recall, and mean Average Precision (mAP), were utilized to evaluate the models, with YOLO-LeafNet achieving the highest confidence scores across various disease predictions.
In comparative analyses, the proposed YOLO-LeafNet outperformed existing state-of-the-art models, including VGG19 and ResNet-50, particularly in precision and recall for detecting diseases in potato leaves. The methodology’s enhancements, such as image pre-processing and augmentation, contributed to improved model performance, allowing YOLO-LeafNet to achieve an mAP of 94% and outperform other models in various metrics. The findings suggest that the proposed approach not only enhances disease detection accuracy but also addresses the challenges of real-time application in resource-constrained environments, aligning with recent advancements in YOLO-based models for diverse detection tasks.
Discussion
In the discussion section of the research paper, the authors detail the methodology and performance evaluation of their proposed deep learning model, YOLO-LeafNet, for detecting plant diseases across four species: pepper, grape, corn, and potato. The data acquisition phase involved gathering images from five publicly available datasets, which were then annotated and split into training, validation, and testing sets. Image pre-processing techniques, including resizing to $416 \times 416$ pixels, contrast adjustment, and static cropping, were employed to enhance image quality and optimize feature extraction. Additionally, data augmentation techniques such as rotation, flipping, and brightness adjustment were applied to increase the dataset size from 8,850 to 23,032 images, thereby improving the model’s robustness and reducing overfitting.
The performance of YOLO-LeafNet was compared with YoloV5 and YoloV8, revealing that YOLO-LeafNet achieved the highest precision (98.5%), recall (98.0%), and mean average precision (mAP) (94%) for detecting eleven classes of plant leaves. In contrast, YoloV5 and YoloV8 demonstrated lower performance metrics, with YoloV8 achieving a precision of 97.7% and recall of 97.5%. The findings indicate that the proposed model significantly enhances disease detection capabilities, outperforming existing models and suggesting that careful selection of preprocessing and augmentation strategies is crucial for optimal results. Future work may involve expanding the model to include additional plant species and integrating it with drone technology and mobile applications for real-time monitoring and early disease detection in agricultural practices.