مقالة بحثية

نقل التعلم وتجزئة UNet لتصنيف أمراض أوراق الأرز كحل مع واجهة سهلة الاستخدام للمستخدمين غير التقنيين

DOI:

10.3791/68861

⸱

أكتوبر 24, 2025

 , 
1Department of Computer Science and Engineering, Faculty of Engineering and Technology, Annamalai University, 2Department of Computer Science and Engineering, Annamalai University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يحدد هذا البروتوكول خط أنابيب التعلم العميق المستند إلى الصور لتصنيف أمراض أوراق الأرز. فهو يجمع بين التجزئة المستندة إلى UNet ونماذج التعلم المنقولة لتعزيز الدقة. ويدعم هذا النهج الكشف الآلي عن الأمراض ويتضمن واجهة مستخدم للنشر العملي، مما يساعد غير الخبراء على تحديد المسائل المتعلقة بمحاصيل الأرز.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الأرز هو محصول غذائي حيوي يدعم مليارات الأشخاص على مستوى العالم ، وزراعة الأرز أمر حيوي للاستقرار الاقتصادي للعديد من الدول ، حيث تعمل كمساهم رئيسي في الدخل والتوظيف في المجتمعات الزراعية ، خاصة في جميع أنحاء آسيا. على الرغم من أهميتها ، إلا أن زراعة الأرز تعوقها أمراض الأوراق المختلفة مثل Tungro و Sheath Blight (SB) و Paddy Hispa (PH) و Neck Blast (NB) و Narrow Brown Spot (NBS) و Leaf Scord (LS) و Leaf Blast (LB) و Brown Spot (BS) و Tumor Leaf Blab (BLB) ، وكلها تؤثر سلبا على المحصول وجودة الحبوب. لمعالجة هذه القضايا ، تقترح هذه الدراسة نهجا مخصصا للتعلم العميق يعتمد على نقل التعلم. تم تقييم ستة طرازات متميزة ، حيث يقدم طراز DenseNet-121 المصمم أفضل أداء ، حيث حقق دقة 0.98 ودقة 0.97 واستدعاء 0.96. لتحسين أداء النموذج ، تم إجراء تجزئة الصورة باستخدام نموذج UNet ، مما أدى إلى تحسين الدقة بشكل كبير عن طريق إنشاء مجموعة بيانات صورة مجزأة. تم اختبار النماذج الستة على مجموعتي بيانات: إحداهما تحتوي على صور مجزأة والأخرى بصور غير مجزأة ، وكلاهما مشتق من مجموعة بيانات الكشف عن أمراض أوراق الأرز. بالإضافة إلى ذلك ، تم تطوير واجهة رسومية بسيطة وبديهية للسماح للمستخدمين الذين ليس لديهم خلفيات تقنية بالتفاعل بسهولة مع النموذج وتحديد أمراض أوراق الأرز. يسلط هذا الحل المتكامل الضوء على فعالية التعلم العميق في توفير طرق يمكن الاعتماد عليها وقابلة للتطوير لتصنيف أمراض أوراق الأرز.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الأرز هو حجر الزاوية في الزراعة العالمية ، حيث يحافظ على مليارات الأشخاص ويشكل العمود الفقري الاقتصادي للعديد من الدول ، لا سيما في آسيا ، حيث يمثل جزءا كبيرا من استهلاك الغذاء وسبل العيش1. ومع ذلك ، فإن الإنتاج المستدام للأرز يتعرض للتهديد بشكل متزايد بسبب عوامل بيولوجية وبيئية مختلفة ، حيث تعد أمراض الأوراق من بين أهم التحديات. يمكن لأمراض مثل لفحة الأوراق البكتيرية والبقع البنية وانفجار الأرز2،3 أن تقلل بشكل كبير من غلة المحاصيل ، وتدهور جودة الحبوب ، وتؤدي إلى خسائر مالية كبيرة للمزارعين4.

لمعالجة هذه المشكلات ، أصبح تصنيف أمراض أوراق الأرز أداة أساسية في علم أمراض النبات5. يتيح التحديد المبكر والدقيق لهذه الأمراض التدخل في الوقت المناسب ، مما يخفف من انتشار العدوى وتأثيرها. تقليديا ، تعتمد هذه المهمة على الفحص البصري المتخصص ، والذي ، على الرغم من فعاليته في البيئات الصغيرة ، إلا أنه يعاني من قيود مثل الذاتية ، وكثافة العمالة ، وقابلية التوسع المحدودة عبر المناطق الزراعية الكبيرة.

أدت التطورات الحديثة في التعلم الآلي (ML) والتعلم العميق (DL) إلى تغيير كبير في طريقة اكتشاف أمراض النبات وتصنيفها. تستخدم هذه التقنيات صورا عالية الدقة للأوراق المصابة لتمكين تحديد المرض بشكل آلي وقابل للتطوير ودقيق. تعمل هذه الأتمتة على تحسين الاتساق وتقليل الخطأ البشري وتدعم اتخاذ القرار في الوقت الفعلي للمزارعين6.

استكشفت العديد من الدراسات المعاصرة أيضا مناهج مبتكرة لتعزيز التشخيص الزراعي. على سبيل المثال ، فتحت الدراسات على مستوى الحمض النووي الريبي مثل قمع الدفاع بوساطة circANK طرقا بيولوجية جديدة في فهم أمراض الأرز7 ، في حين أن الأطر القائمة على الرؤية مثل تجزئة مثيل المسار الثنائي للكشف عن صف الأرز أظهرت فائدة التعلم العميق في الزراعة الدقيقة8. علاوة على ذلك ، تؤكد الأعمال الحديثة مثل TMFF: Trustworthy Multi-Focus Fusion لتصنيف متعدد التسميات في البيئات المرئية المعقدة على الأهمية المتزايدة لنماذج DL الهجينة والقوية للنشر في العالم الحقيقي9.

بدافع من هذه التطورات ، يعمل هذا البحث على تطوير تصنيف أمراض أوراق الأرز من خلال دمج التجزئة المستندة إلى UNet مع نماذج تعلم النقل العميق. يهدف هذا النهج إلى عزل المناطق المريضة بشكل أكثر دقة وتصنيفها باستخدام شبكات فعالة مدربة مسبقا. من خلال معالجة قيود الأساليب اليدوية التقليدية وتعزيز تركيز النموذج من خلال التجزئة ، يساهم هذا العمل في تحسين أداء التصنيف ، ودعم الممارسات الزراعية المستدامة ، وتعزيز أنظمة الأمن الغذائي10.

الخطوط العريضة لتصنيف أمراض أوراق الأرز

يحمل الأرز أهمية لا مثيل لها كمحصول أساسي ، حيث يطعم أكثر من 50٪ من سكان العالم ويعمل كمحرك اقتصادي رئيسي للعديد من البلدان النامية ، لا سيما في آسيا11. وبالإضافة إلى دورها في الأمن الغذائي، فإن زراعة الأرز جزء لا يتجزأ من الممارسات الثقافية والمجتمعية في العديد من المناطق، مما يجعل إنتاجها المستدام أولوية للحكومات وأصحاب المصلحة الزراعيين. ومع ذلك ، فإن إنتاج الأرز محفوف بالتحديات ، ومن بين هذه التحديات ، لا تزال أمراض الأوراق تعرض إنتاجية وجودة محاصيل الأرز للخطر. تساهم المشكلات المنتشرة على نطاق واسع مثل لفحة الأوراق البكتيرية والبقع البنية وانفجار الأرز في خسائر كبيرة في الغلة12 ، مما يؤثر على إنتاج الأرز في جميع أنحاء العالم ويجهد الاقتصادات التي تعتمد بشكل كبير على هذا العنصر الأساسي.

يعد تصنيف أمراض الأوراق مكونا حيويا للإدارة الزراعية الحديثة ، لأنه يوفر الأساس لتدابير مكافحة الأمراض الفعالة في الوقت المناسب. ويتيح تحديد الهوية في الوقت المناسب للمزارعين السيطرة على انتشار الأمراض، والاستفادة الفعالة من الكيماويات الزراعية، وتجنب الأضرار الكبيرة للمحاصيل. تقليديا ، اعتمدت هذه العملية على الفحص البصري الذي يقوم به المهنيون الزراعيون المهرة. في حين أن هذه الطريقة يمكن أن تكون فعالة ، إلا أنها تتطلب عمالة مكثفة وتستغرق وقتا طويلا وتعتمد بشكل كبير على مستوى مهارة المراقب. علاوة على ذلك ، في العمليات الزراعية واسعة النطاق ، غالبا ما يصبح الفحص اليدوي غير عملي ، خاصة عندما يكون من الصعب تحديد الأعراض الدقيقة خلال المراحل الأولى من العدوى13.

أحدث ظهور الأنظمة الآلية لتصنيف أمراض الأوراق ثورة في التشخيص الزراعي14. تستفيد هذه الأنظمة من التقدم في تقنيات التصوير و DL لتوفير حلول قابلة للتطوير15 و16 فعالة وعالية الدقة17. يمكن لمعالجة الصور (IP) ، جنبا إلى جنب مع نماذج ML و DL ، معالجة صور عالية الدقة لأوراق الأرز لتحديد أعراض المرض ، وغالبا ما تتفوق على الطرق التقليدية من حيث الدقة والسرعة. من خلال أتمتة عملية التصنيف ، تمكن هذه الأنظمة المزارعين والمهنيين الزراعيين من اتخاذ قرارات تعتمد على البيانات ، مما يقلل من الاعتماد على الخبرة البشرية ويقلل من مخاطر الأخطاء.

لا يضمن تصنيف أمراض أوراق الأرز إنتاجية أعلى وتقليل الخسائر فحسب ، بل يساهم أيضا في تحقيق الأهداف الأنطاق للزراعة المستدامة. من خلال تمكين التحديد الدقيق للأمراض18 ، تساعد هذه التقنيات في تحسين استخدام19 مبيدا للآفات ، وبالتالي تقليل التأثير البيئي وتعزيز20 ممارسة زراعية صديقة للبيئة. علاوة على ذلك ، فإن دمج هذه الأنظمة مع تطبيقات الهاتف المحمول وأدوات الاستشعار عن بعد يوسع نطاق وصولها إلى صغار المزارعين في البيئات المحدودة الموارد ، مما يعزز الشمولية والإنصاف في التقدم الزراعي21.

تؤكد أهمية الأرز كمحصول عالمي على الحاجة إلى طرق قوية وموثوقة ويمكن الوصول إليها لتصنيف أمراض الأوراق22. ومن خلال نشر هذه التكنولوجيات، يمكن للقطاع الزراعي أن يتصدى لأحد أكثر التحديات إلحاحا، وضمان مرونة واستدامة إنتاج الأرز في مواجهة الطلبات المتزايدة والقيود البيئية.

تقنيات النمذجة

تدمج الطريقة المقترحة لتصنيف أمراض أوراق الأرز تقنيات متطورة مختلفة لتحسين الدقة والفعالية:

تجزئة الصور: تتضمن الخطوة الأولى تجزئة صور الأوراق لعزل منطقة الورقة عن الخلفية. تقلل هذه الخطوة من التعقيد الحسابي عن طريق إزالة الأجزاء غير المرغوب فيها23,24 من الصورة وتحسين التركيز على الأنماط ذات الصلة, مما يؤدي إلى دقة أفضل.

استخراج الميزة: يتم استخراج الميزات من الصور المجزأة ، وتلتقط تفاصيل مهمة حول أعراض المرض25. تشكل هذه الميزات أساس نموذج التصنيف ، مما يسمح له بالتمييز بكفاءة بين الأوراق السليمة والمريضة.

نقل التعلم: يتم استخدام نقل التعلم للاستفادة من المعرفة من النماذج المدربة مسبقا ، مما يقلل بشكل كبير من الحاجة إلى تدريب مكثف على مجموعات البيانات الجديدة. يعمل هذا النهج على تسريع عملية التطوير مع الحفاظ على الدقة والكفاءة العالية26.

نموذج التصنيف الشامل: على عكس الطرق التقليدية التي تستخدم نقل التعلم فقط لاستخراج الميزات ، تتضمن المنهجية المقترحة إطار تصنيف شامل. يدمج هذا النهج الشامل استخراج الميزات وتصنيفها27,28 في خط أنابيب سلس ، مما يضمن الأداء الأمثل.

مقاييس التقييم: يتم تطبيق العديد من مقاييس التقييم لتحليل أداء النموذج29 ، مما يوفر معلومات مفصلة عن دقته ودقته واستدعائه وكفاءته الإجمالية. يساعد هذا التحليل الشامل في تحديد موثوقية النموذج وملاءمته بشكل فعال.

الفجوات البحثية

على الرغم من التقدم الكبير ، لا تزال هناك تحديات وقيود مختلفة في مجال تصنيف أمراض الأوراق:

يعتمد التحديد اليدوي لأمراض الأوراق بشكل كبير على خبراء المجال ، مما يجعله ذاتيا وغير متسق. حتى مع المعرفة القوية بالمجال ، يمكن أن تؤدي الأخطاء البشرية في الأساليب اليدوية إلى خسائر كبيرة في المحاصيل.

تتطلب الطرق اليدوية عمالة كثيفة وغير قادرة على العمل على مدار الساعة ، مما يجعلها غير عملية للمراقبة واسعة النطاق أو المستمرة.

الأبحاث في تصنيف أمراض الأوراق واسعة النطاق ، لكن الدراسات المحدودة للغاية تركز بشكل خاص على تصنيف أمراض أوراق الأرز.

أهملت الدراساتالسابقة 30بشكل عام استخدام التعلم التحويلي لتصنيف أمراض أوراق الأرز.

غالبا ما تفتقر النماذج الحالية إلى قابلية التعميم عبر الظروف البيئية المختلفة ومتغيرات الأمراض ، مما يحد من فائدتها العملية31.

غالبا ما تكون مجموعات البيانات المستخدمة في الدراسات الحالية صغيرة وتفتقر إلى التنوع ، مما يعيق قابلية التطبيق الأوسع32.

من خلال معالجة هذه الفجوات ، تهدف هذه الدراسة إلى النهوض بمجال تصنيف أمراض أوراق الأرز من خلال تقنيات مبتكرة ومنهجيات قوية.

المساهمات الرئيسية لهذه الدراسة

يسعى هذا البحث إلى سد هذه الفجوات من خلال إنشاء وتقييم طريقة مخصصة قائمة على التعلم العميق لتصنيف أمراض أوراق الأرز. تشمل المساهمات الرئيسية ما يلي:

يتيح استخدام التعلم الانتقالي للاستفادة من أوزان النماذج المدربة مسبقا تحقيق دقة عالية في فترات تدريب أقل.

مما يدل على أن عددا أقل من فترات التدريب يقلل من الحاجة إلى قوة حسابية عالية ، مما يجعل الطريقة في متناول المستخدمين ذوي الموارد الحسابية المحدودة.

تطوير نموذج تصنيف شامل يدمج التجزئة واستخراج الميزات والتصنيف ، مما يوفر حلا شاملا.

استخدام تجزئة البيانات والتقنيات الأخرى لتعزيز قابلية تعميم النموذج عبر مجموعات البيانات المتنوعة.

التحديات المفتوحة

على الرغم من النتائج الواعدة التي تحققت في هذه الدراسة ، لا تزال هناك تحديات مفتوحة. تشمل هذه التحديات الحاجة إلى مجموعات بيانات أكبر وأكثر تنوعا لتعزيز متانة النموذج33 والقدرة على التكيف34 عبر الظروف البيئية المختلفة35 وأنواع الأمراض ، ودمج البيانات متعددة الوسائط لتعزيز دقة التنبؤ ، ونشر النماذج للاستخدام في الوقت الفعلي في الظروف الميدانية. علاوة على ذلك ، يعد تحقيق التوازن بين الكفاءة الحسابية وأداء النموذج أمرا بالغ الأهمية لضمان إمكانية الوصول للمستخدمين النهائيين ، لا سيما في المناطق الريفية والمناطق التي تعاني من نقص الموارد.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وصف مجموعة البيانات

تم الحصول على مجموعة البيانات المستخدمة في هذا البحث من مستودع Kaggle المتاح للجمهور بعنوان مجموعة بيانات الكشف عن أمراض أوراق الأرز. يتكون من 18,545 صورة لأوراق الأرز مصنفة إلى 10 فئات مرضية و 1 فئة صحية. تختلف الصور في الدقة وتم التقاطها في ظل ظروف إضاءة وبيئية مختلفة.

المعالجة المسبقة للصور

تم تغيير حجم جميع الصور إلى 224 × 224 بكسل باستخدام وظيفة tf.image.resize() الخاصة ب TensorFlow. يضمن هذا التوحيد التوافق مع متطلبات الإدخال لنماذج CNN المدربة مسبقا.: تم تطبيع قيم البكسل إلى النطاق [0،1] باستخدام معلمة rescale = 1./255 في Keras ImageDataGenerator. الزيادة (للتدريب فقط): تم تطبيق تقنيات مثل التقليب الأفقي والرأسي والدوران (± 20 درجة) والتكبير (حتى 20٪) باستخدام ImageDataGenerator لتحسين التعميم.

تجزئة الصور

تم استخدام نموذج UNet لتجزئة الصورة لعزل مناطق الأوراق المريضة عن فوضى الخلفية. تم إنشاء بنية UNet باستخدام واجهة برمجة تطبيقات Keras الوظيفية مع طبقات وحدة فك التشفير وتخطي الاتصالات وتنشيط ReLU. تم تطبيق أقنعة التجزئة على الصور الأصلية باستخدام الضرب بالبكسل (cv2.bitwise_and) للاحتفاظ بالميزات ذات الصلة فقط.

بنية النموذج والتدريب

تم استخدام النماذج التالية كمصنفات أساسية: VGG16 و ResNet50 و InceptionV3 و MobileNet و AlexNet و DenseNet121. تم استيراد النماذج المدربة مسبقا (على ImageNet) باستخدام include_top=False. تمت إضافة رأس تصنيف مخصص ، يتكون من طبقة تجميع متوسطة عالمية ، وطبقتين كثيفتين مع 128 و 64 خليا عصبية (تنشيط ReLU) ، وطبقة Dropout (المعدل = 0.4) ، وطبقة كثيفة نهائية مع 11 مخرجات وتنشيط Softmax.

الإعداد التجريبي

تم إجراء جميع التجارب باستخدام الإعدادات التالية: بيئة البرمجة: Python 3.11.5 مع TensorFlow و Keras ، منصة التنفيذ: Jupyter Notebook ، الأجهزة: Intel Core i5-6300U ، 8 جيجابايت من ذاكرة الوصول العشوائي ، Windows 11 ، حجم الدفعة: 32 ، العصور: 50 ، المحسن: آدم ، معدل التعلم: 0.0001 ، وظيفة الخسارة: الاختراق الفئوي ، وظائف التنشيط: ReLU للطبقات المخفية ، Softmax لطبقة الإخراج النهائية.

مقاييس التقييم

تم حساب الدقة والدقة والاستدعاء ودرجة F1 باستخدام classification_report من sklearn.metrics. تم رسم مصفوفات الارتباك باستخدام confusion_matrix و seaborn.heatmap. وجرى تقييم الأداء على أساس كل من الصور غير المجزأة والصور المجزأة من UNet من أجل التقييم المقارن.

تطوير واجهة المستخدم الرسومية

تم إنشاء واجهة مستخدم رسومية بسيطة باستخدام مكتبة Tkinter الخاصة ب Python. يمكن للمستخدمين تحميل صورة ورقة باستخدام واجهة المستخدم الرسومية ، والتي يتم تمريرها بعد ذلك عبر النموذج المدرب. يتم عرض فئة المرض المتوقعة على الشاشة ، جنبا إلى جنب مع درجة الثقة.

إنشاء مجموعة البيانات

مجموعة البيانات المستخدمة في هذه الدراسة هي مجموعة بيانات الكشف عن أمراض أوراق الأرز المتاحة للجمهور من Kaggle36 ، والتي تضم ما مجموعه 18,545 صورة عالية الدقة لأوراق الأرز مصنفة إلى 10 فئات مرضية وفئة صحية واحدة. تم التقاط الصور في ظل ظروف إضاءة مختلفة وإعدادات بيئية متنوعة ، مما يجعل مجموعة البيانات ممثلة للغاية ومناسبة لبناء نماذج قوية للتعلم العميق. يبلغ حجم مجموعة البيانات حوالي 8.33 جيجابايت وتحتوي على الفئات التالية: Tungro و Sheath Blight (SB) و Paddy Hispa (PH) و Neck Blast (NB) و Narrow Brown Spot (NBS) و Leaf Scord (LS) و Leaf Blast (LB) و Healthy و Brown Spot (BS) و Bacterial Leaf Blight (BLB).

لضمان قابلية التكرار والتقييم الفعال للنموذج ، تم تقسيم مجموعة البيانات بشكل عشوائي إلى مجموعات فرعية للتدريب (80٪) واختبار (20٪) مع الحفاظ على توزيع الفصل. تم استخدام مجموعة التدريب لتدريب النماذج ، بينما تم حجز مجموعة الاختبار للتحقق من صحة الأداء على البيانات غير المرئية. استند التقييم إلى مقاييس التصنيف القياسية: الدقة والدقة والاستدعاء ودرجة F1 ، والتي قدمت تقييما شاملا لقدرة تصنيف كل نموذج. قارنت الدراسة ستة نماذج للتعلم العميق: VGG16 و ResNet و InceptionV3 و MobileNet و AlexNet و DenseNet121 ، مع DenseNet121 الذي يقدم أفضل أداء لهذه المهمة.

توزيع البيانات

تم تصنيف المرض باستخدام نماذج التعلم العميق المدربة على مجموعة البيانات. تم تقسيم مجموعة البيانات إلى مجموعتين فرعيتين: مجموعة تدريب ومجموعة اختبار. تم استخدام مجموعة التدريب لتعليم النموذج ، بينما تم استخدام مجموعة الاختبار لتقييم أدائها على البيانات غير المرئية سابقا. يتم توفير ملخص لتوزيع الصور عبر فئات الأمراض العشر وفئة الأوراق السليمة في الجدول 1. يوفر هذا الجدول فهما شاملا للأعراض البصرية المرتبطة بكل مرض ، مما يسهل تدريب وتقييم نماذج التصنيف.

يضمن هذا التوزيع تمثيلا عادلا لكل فئة من فئات المرض خلال مرحلتي التدريب والاختبار. تتضمن مجموعة التدريب غالبية الصور ، مما يمكن النموذج من تعلم الخصائص الفريدة لكل فصل بشكل فعال. تضمن مجموعة الاختبار ، التي تتكون من مجموعة فرعية أصغر من الصور ، تقييما موثوقا به لدقة النموذج وقدرته على التعميم على البيانات الجديدة غير المرئية.

يضمن التوزيع المتوازن والمتنوع للصور عبر الفئات أن النموذج يحتوي على بيانات كافية لمعرفة الأنماط الفريدة المرتبطة بكل نوع من أنواع الأمراض ، مع التخفيف أيضا من خطر الإفراط في الملاءمة أو التحيز تجاه أي فئة معينة. يعد تقسيم البيانات هذا ضروريا لتحقيق نتائج تصنيف قوية وموثوقة.

تنظيف البيانات

في مرحلة المعالجة المسبقة ، يعد تنظيف البيانات أمرا ضروريا لتعزيز دقة وكفاءة نموذج التصنيف. غالبا ما تتضمن صور أوراق الأرز الخام عناصر خلفية غير مرغوب فيها مثل التربة أو النباتات القريبة أو الأدوات الزراعية ، والتي يمكن أن تسبب ضوضاء وتدهور الأداء العام للنموذج.

لمعالجة هذا الأمر ، تم إجراء تجزئة الصور باستخدام نموذجUNet 37،38 ، وهو بنية شبكة عصبية تلافيفية معروفة مصممة خصيصا لمهام التجزئة الدلالية. نموذج UNET قادر على تجزئة مناطق الأوراق من الخلفية بدقة عالية ، مما يضمن الاحتفاظ بالأجزاء ذات الصلة فقط من الصور لمزيد من المعالجة39. تم توضيح عملية التجزئة في الشكل 1.

عملية التجزئة باستخدام نموذج UNet (الشكل 2): يتم إدخال الصور الأولية من مجموعة البيانات في نموذج UNET. يتكون نموذج UNET من مشفر يستخرج الميزات الهرمية ووحدة فك التشفير التي تعيد بناء الصورة أثناء تقسيم منطقة الورقة. يخرج النموذج قناعا ثنائيا حيث يتم تمييز منطقة الورقة ، وتتم إزالة الخلفية. يتم تحسين الصور المجزأة بشكل أكبر من خلال تطبيق عمليات مورفولوجية لضمان حواف ناعمة وإزالة أي ضوضاء متبقية (الشكل 3).

الصياغة الرياضية لتجزئة UNet: تقوم UNet بإجراء تجزئة دلالية من خلال تعلم رسم خرائط من مساحة صورة الإدخال إلى قناع ثنائي يسلط الضوء على منطقة الاهتمام (ROI) ، أي منطقة الورقة المريضة ، مع قمع الخلفية غير ذات الصلة. دع:

figure-protocol-1تشير إلى صورة RGB المدخلة بحجم H * W مع قنوات ألوان C = 3.

figure-protocol-2تكون ناتج نموذج UNet المدرب ، حيث تمثل كل قيمة بكسل في M احتمال أن ينتمي هذا البكسل إلى منطقة الورقة المريضة.

قناع التجزئة الثنائية النهائي figure-protocol-3

حيث τ [0،1] هي عتبة التجزئة (يتم ضبطها عادة على 0.5).

ثم يتم حساب الصورة figure-protocol-4 المجزأة على النحو التالي:

figure-protocol-5

حيث figure-protocol-6 يشير إلى الضرب العنصري ، المطبق مكانيا عبر جميع القنوات. تحتفظ هذه العملية بقيم البكسل في عائد الاستثمار (أين) figure-protocol-7وتخفي وحدات بكسل الخلفية (أين). figure-protocol-8 يتم تمرير هذا الإخراج المجزأ كمدخل لنموذج التصنيف (على سبيل المثال ، DenseNet121) ، مما يسمح له بالتركيز حصريا على الميزات ذات الصلة بالمرض مع تجاهل مناطق الخلفية الصاخبة وغير الغنية بالمعلومات ، مما يحسن أداء التصنيف وتعميم النموذج.

تضمن خطوة المعالجة المسبقة هذه إجراء المراحل التالية من استخراج الميزات وتصنيفها على بيانات نظيفة وذات صلة ، وبالتالي تعزيز الأداء العام والموثوقية لنموذج تصنيف أمراض أوراق الأرز.

تحويل التعلم

يستخدم نقل التعلم شبكات عصبية مدربة مسبقا لمعالجة المشكلات الجديدة ولكن ذات الصلة ، مما يلغي الحاجة إلى بناء نماذج من الألف إلى الياء. يستفيد هذا النهج من المعرفة المكتسبة من المهام السابقة ، مما يتيح التعلم الفعال40. غالبا ما يتم تطوير النماذج المدربة مسبقا على مجموعات بيانات واسعة النطاق وتمتلك قدرات قوية لاستخراج الميزات ، مما يجعلها مناسبة للضبط الدقيق لمجموعات بيانات محددة. هذا يقلل من وقت التدريب ، ويتجنب الإفراط في التركيب ، ويحقق دقة عالية حتى مع الموارد الحسابية المحدودة.

في هذه الدراسة ، تم استخدام نقل التعلم لتحديد أمراض أوراق الأرز من خلال تقييم نماذج التعلم العميق المختلفة المدربة مسبقا. تشمل البنية التي تم استكشافها في التجارب VGG16 و ResNet و InceptionV3 و MobileNet و AlexNet و DenseNet121. تم تدريب كل نموذج من هذه النماذج في البداية على مجموعات بيانات كبيرة ، مثل ImageNet ، وتم استخدام أوزانها المدربة مسبقا في هذا العمل. لتكييف النماذج مع مهمة التصنيف ، تم إجراء التعديلات التالية:

تعديل النموذج: تمت إزالة الطبقات الأصلية المتصلة بالكامل (التصنيف) لكل نموذج باستخدام المعلمة include_top=False أثناء استيراد النموذج في Keras. هذا يضمن الاحتفاظ فقط بالقاعدة التلافيفية (مستخرج الميزات) لكل نموذج مدرب مسبقا. تم تسطيح ناتج الكتلة التلافيفية الأخيرة إلى متجه أحادي البعد باستخدام طبقة Flatten ().

طبقات كثيفة: تم إلحاق ثلاث طبقات متصلة بالكامل (كثيفة) بالتتابع بعد خطوة التسطيح. تم تحديد هذه الطبقات باستخدام وظيفة Keras Dense (): الأولى مع 256 خلية عصبية وتنشيط ReLU ، والثانية مع 128 خلية عصبية وتنشيط ReLU ، والثالثة مع 64 خلية عصبية وتنشيط ReLU. تمت إضافة طبقة Dropout أيضا بين الطبقات لتقليل الإفراط في التركيب.

طبقة الإخراج: تم إلحاق ثلاث طبقات متصلة بالكامل (كثيفة) بالتتابع بعد خطوة التسطيح. تم تحديد هذه الطبقات باستخدام وظيفة Keras Dense (): الأولى مع 256 خلية عصبية وتنشيط ReLU ، والثانية مع 128 خلية عصبية وتنشيط ReLU ، والثالثة مع 64 خلية عصبية وتنشيط ReLU. تمت إضافة طبقة التسرب (المعدل 0.4) أيضا بين الطبقات لتقليل الإفراط في التركيب.

يتم تصوير خط الأنابيب العام وتدفق المنهجية ، بما في ذلك المعالجة المسبقة والتجزئة وتنفيذ نموذج التعلم الانتقالي والتقييم ، في الشكل 4. يقدم هذا الشكل نظرة عامة شاملة على الخطوات المتبعة في هذا البحث. من خلال استخدام التعلم التحويلي ، تم تقليل وقت التدريب بنجاح ، وتم تقليل الاعتماد على الموارد الحسابية المتطورة ، وتم تحقيق تحسينات كبيرة في الأداء في تصنيف أمراض أوراق الأرز.

نموذج DenseNet121 المقترح لتصنيف أمراض الأوراق

من بين جميع النماذج التي تم اختبارها ، أظهر DenseNet121 أفضل أداء في تصنيف أمراض أوراق الأرز ، وحقق دقة ملحوظة. يتميز نموذج التعلم العميق المتطور هذا ببنيتهالمبتكرة 40 ، والتي تعزز التدفق الفعال للمعلومات وتعزز إعادة استخدام الميزات.

بنية DenseNet121: يتميز DenseNet121 بطبقات متصلة بكثافة، حيث يمكن لكل طبقة الوصول إلى خرائط المعالم من جميع الطبقات السابقة. يعمل هذا التصميم على تحسين تدفق المعلومات ، وتقليل التكرار ، وتحسين الكفاءة الإجمالية للنموذج بشكل كبير.

تتكون البنية من المكونات الرئيسية التالية:

طبقة الإدخال: تستقبل الصور التي تم تغيير حجمها إلى 224 × 224 بكسل للمعالجة القياسية.

الطبقة التلافيفية الأولية: تطبق عملية الالتفاف 7 × 7 متبوعة بأقصى تجميع لتقليل الأبعاد المكانية واستخراج المعالم منخفضة المستوى.

كتل كثيفة: يحتوي النموذج على أربع كتل كثيفة. تتكون كل كتلة من عدة طبقات تلافيفية متصلة بطريقة كثيفة ، مما يعني أن كل طبقة لديها وصول مباشر إلى مخرجات جميع الطبقات السابقة داخل الكتلة.

طبقات الانتقال: تقع هذه الطبقات بين الكتل الكثيفة ، وتقوم بإجراء التواء 1 × 1 متبوعا بمتوسط التجميع لتقليل أبعاد الميزات ، مما يحسن الكفاءة الحسابية.

متوسط التجميع العالمي (GAP): يقلل من الأبعاد المكانية لخرائط المعالم قبل الطبقات المتصلة بالكامل.

طبقة متصلة بالكامل: تنتج متجه الإخراج للتصنيف.

طبقات مخصصة للتصنيف: في هذا البحث ، تم استبدال الطبقات الافتراضية المتصلة بالكامل ببنية مخصصة: طبقة مسطحة ، وثلاث طبقات كثيفة (256 و 128 و 64 خلية عصبية مع تنشيط ReLU) ، وطبقة نهائية منشطة بالسيني للتصنيف الثنائي.

ساهمت قدرة DenseNet121 على إعادة استخدام الميزات وبنيتها المدمجة بشكل كبير في أدائها المتفوق على مجموعة بيانات مرض أوراق الأرز. هذه الكفاءة ، إلى جانب قدرتها على تقليل التجهيز الزائد ، تجعلها مثالية للمهام ذات بيانات التدريب المحدودة. حقق DenseNet121 دقة وتعميما أفضل من الطرز الأخرى نظرا لخصائص إعادة استخدام الميزات وتدفق التدرج. في حين أن نماذج مثل ResNet و VGG16 كان أداؤها جيدا ، إلا أن DenseNet121 تفوقت عليها من حيث الدقة والكفاءة الحسابية.

في جميع النماذج ، تم تضمين ثلاث طبقات متصلة بالكامل (كثيفة) باستخدام وظائف تنشيط ReLU (كما هو موضح في المعادلة 1) ، وبلغت ذروتها في طبقة كثيفة نهائية مع تنشيط SoftMax (المعادلة 2) لتسهيل التصنيف متعدد الفئات. سمح هذا التكيف لكل نموذج بالاستفادة بشكل فعال من أوزانه المدربة مسبقا أثناء تصنيف الصور في مجموعة البيانات.

ReLu f (x) = الحد الأقصى (0 ، X) (1)

figure-protocol-9

حيث يمثل xi المدخلات إلى وظيفة SoftMax ، المعدلة للتصنيف عبر فئات أمراض أوراق الأرز العشر. مكنت البنية الفريدة لكل نموذج ، جنبا إلى جنب مع طبقة الإخراج المخصصة هذه ، من استخراج الميزات بشكل فعال وتصنيف دقيق للصور.

يعرض الشكل 5 التصميم المعماري ل DenseNet121 ، ويعرض التدفق السلس للمعلومات من خلال كتلها الكثيفة وطبقاتها الانتقالية وطبقات التصنيف المصممة خصيصا لهذا البحث. يوضح هذا التصوير المرئي كيفية تعامل DenseNet121 مع مدخلات الصور وإنشاء مخرجات التنبؤ

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

بالنسبة للتجارب التي أجريت في هذه الدراسة ، تم تطوير النموذج باستخدام الإصدار 3.11.5 من Python و Jupyter Notebook على نظام تشغيل Windows 11. كانت أطر التعلم العميق الأساسية المستخدمة هي مكتبات TensorFlow و Keras. كانت الأجهزة المستخدمة في هذا البحث عبارة عن جهاز كمبيوتر HP مزود بوحدة معالجة مركزية Intel i5-6300U بسرعة 2.50 جيجاهرتز ، ومجهزة ب 8 نوى.

تم تقسيم مجموعة البيانات إلى مجموعتين فرعيتين أساسيتين: 80٪ للتدريب و 20٪ للاختب...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقترح هذه الدراسة إطارا قائما على التعلم العميق للتصنيف الآلي لأمراض أوراق الأرز باستخدام مجموعات البيانات المجزأة وغير المجزأة. يدمج النهج تجزئة الصور المستندة إلى UNet مع نماذج التعلم المنقولة ، مما يدل على أن التجزئة تعزز بشكل كبير دقة استخراج الميزات والتصنيف. من بين النماذج الستة التي تم تقييمها ، حقق DenseNet-121 المخصص أعلى أداء ، بدقة 0.98 ودقة 0.97 واستدعاء 0.96.

يساهم البحث في النهوض بالمجال العلمي من خلال توفير حل عملي وقابل للتطوير للكشف المبكر وال...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين ما يكشفون عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقر المؤلفون بجهود Penugonda Seetha Rama Krishna للمساهمة في وضع المفاهيم والمنهجية وإعداد المخطوطة ، ويعربون عن خالص الشكر ل S. Nagarajan لتقديمه الإشراف والتوجيه طوال الدراسة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
كمبيوتر HPإتش بيوحدة المعالجة المركزية Intel Core i5-6300U @ 2.5 جيجاهرتز ، 8 جيجابايت رام
دفتر جوبيترالمصدر المفتوحتستخدم لتنفيذ التعليمات البرمجية
مجموعة بيانات Kaggle: الكشف عن أمراض أوراق الأرزكاجلhttps://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
كيراسالمصدر المفتوحمتكامل مع TensorFlow
بايثونمؤسسة برامج بايثون3.11.5
TensorFlowجوجل2.x
نظام التشغيل Windowsمايكروسوفتنوافذ 11

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Baheti, H., Thakare, A., Bhople, Y., Darekar, S., Dodmani, O. Tomato plant leaf disease detection using inception v3. Intell Syst Appl. 959, 49-60 (2023).
  2. Shin, J., et al. Trends and prospect of machine vision technology for stresses and diseases detection in precision agriculture. Agri Eng. 5 (1), 20-39 (2023).
  3. Shamsul Kamar, N. A., et al. Pest and disease incidence of coniferous species in Taman Saujana Hijau, Putrajaya urban park Malaysia. J Forest Res. 34 (6), 2065-2077 (2023).
  4. Dutta, M., et al. Rice leaf disease classification-A comparative approach using convolutional neural network (CNN), cascading autoencoder with attention residual U-Net (CAAR-U-Net), and MobileNet-V2 architectures. Technologies. 12 (11), 214(2024).
  5. Alsakar, Y. M., Sakr, N. A., Elmogy, M. An enhanced classification system of various rice plant diseases based on multi-level handcrafted feature extraction technique. Sci Rep. 14 (1), 1-33 (2024).
  6. Ritharson, P. I., Raimond, K., Mary, X. A., Robert, J. E. DeepRice: A deep learning and deep feature-based classification of rice leaf disease subtypes. Artif Intell Agric. 11, 34-49 (2024).
  7. Khanna, A., Saini, R., Kumar, A., Singh, R. Toward end-to-end rice row detection in paddy fields exploiting two-pathway instance segmentation. Plant Phenomics. 6, 0043(2024).
  8. de Silva, R., Cielniak, G., Wang, G., Gao, J. Deep learning-based Crop Row Detection for Infield Navigation of Agri-Robots. arXiv. , (2022).
  9. Zhao, C., Hu, C., Shao, H., Wang, Z., Wang, Y. Towards Trustworthy Multi-label Sewer Defect Classification via Evidential Deep Learning. arXiv. , (2022).
  10. Gogoi, M., Kumar, V., Begum, S. A., Sharma, N., Kant, S. Classification and detection of rice diseases using a 3-stage CNN architecture with transfer learning approach. Agriculture. 13, 1505(2023).
  11. Rice as food. Wikipedia. , Wikipedia contributors. https://en.wikipedia.org/wiki/Rice_as_food (2025).
  12. Deng, R., et al. Automatic diagnosis of rice diseases using deep learning. Front Plant Sci. 12, 701038(2021).
  13. Image classification for rice leaf disease using AlexNet model. Win Lwin, L. Y., Htwe, A. N. 2023 IEEE Conf Comput Appl (ICCA), , 124-129 (2023).
  14. Tripathy, R., et al. Optimization based rice leaf disease classification in federated learning. Multimed Tools Appl. 83, 72491-72517 (2024).
  15. Li, Y., Wang, H., Dang, L. M., Sadeghi-Niaraki, A., Moon, H. Crop pest recognition in natural scenes using convolutional neural networks. Comput Electron Agric. 169, 105174(2020).
  16. Zhong, Y., Zhao, Z. Research on deep learning in apple leaf disease recognition. Comput Electron Agric. 168, 105146(2020).
  17. Yang, Y., Liu, Z., Huang, M., Zhu, Q., Zhao, X. Automatic detection of multi-type defects on potatoes using multispectral imaging combined with a deep learning model. J Food Eng. 336, 111213(2023).
  18. Wang, L., et al. Identification of crop diseases using improved convolutional neural networks. IET Comput Vis. 14 (7), 538-545 (2020).
  19. Arsenovic, M., Karanovic, M., Sladojevic, S., Anderla, A., Stefanovic, D. Solving current limitations of deep learning-based approaches for plant disease detection. Symmetry. 11 (7), 939(2019).
  20. Hu, G., Wu, H., Zhang, Y., Wan, M. A low shot learning method for tea leaf's disease identification. Comput Electron Agric. 163, 104852(2019).
  21. Too, E. C., Yujian, L., Njuki, S., Yingchun, L. A comparative study of fine-tuning deep learning models for plant disease identification. Comput Electron Agric. 161, 272-279 (2019).
  22. Ma, R., et al. Identification of maize seed varieties using MobileNetV2 with improved attention mechanism CBAM. Agriculture. 13 (1), 11(2023).
  23. Krizhevsky, A., Sutskever, I., Hinton, G. E. ImageNet classification with deep convolutional neural networks. Commun ACM. 60 (6), 84-90 (2017).
  24. Brahimi, M., Boukhalfa, K., Moussaoui, A. Deep learning for tomato diseases: classification and symptoms visualization. Appl Artif Intell. 31 (4), 299-315 (2017).
  25. Wang, G., Sun, Y., Wang, J. Automatic image-based plant disease severity estimation using deep learning. Comput Intell Neurosci. 2017, 2917536(2017).
  26. Deep residual learning for image recognition. He, K., Zhang, X., Ren, S., Sun, J. Proc IEEE Conf Comput Vis Pattern Recognit CVPR, , 770-778 (2016).
  27. Amara, J., Bouaziz, B., Algergawy, A. A deep learning-based approach for banana leaf diseases classification. Datenbanksysteme Business Tech Web (BTW 2017). , 79-88 (2017).
  28. Srilatha, D., Thillaiarasu, N. Implementation of intrusion detection and prevention with deep learning in cloud computing. J Inf Technol Manag. 15, 1-8 (2023).
  29. Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., Stefanovic, D. Deep neural networks-based recognition of plant diseases by leaf image classification. Comput Intell Neurosci. 2016, 3289801(2016).
  30. Simhadri, C. G., Kondaveeti, H. K., Vatsavayi, V. K., Mitra, A., Ananthachari, P. Deep learning for rice leaf disease detection: A systematic literature review on emerging trends, methodologies and techniques. Info Proc Agri. 12 (2), 151-168 (2025).
  31. Xu, M., et al. Embracing limited and imperfect training datasets: Opportunities and challenges in plant disease recognition using deep learning. Front Plant Sci. 14, 1225409(2023).
  32. Xu, M., Park, J. E., Lee, J., Yang, J., Yoon, S. Plant disease recognition datasets in the age of deep learning: Challenges and opportunities. arXiv. , (2023).
  33. Basic investigation on a robust and practical plant diagnostic system. Fujita, E., Kawasaki, Y., Uga, H., Kagiwada, S., Iyatomi, H. Proc 15th IEEE Int Conf Mach Learn Appl ICMLA, , 989-992 (2016).
  34. Densely connected convolutional networks. Huang, G., Liu, Z., Van Der Maaten, L., Weinberger, K. Q. Proc IEEE Conf Comput Vis Pattern Recognit CVPR, , 4700-4708 (2017).
  35. Sapkal, A. T., Kulkarni, U. V. Comparative study of leaf disease diagnosis system using texture features and deep learning features. Int J Appl Eng Res. 13 (19), 14334-14340 (2018).
  36. Loki4514, Leaf Diseases Detection Dataset. Kaggle. , https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection Accessed (2025).
  37. Siddique, N., Paheding, S., Elkin, C. P., Devabhaktuni, V. U-Net and its variants for medical image segmentation: a review of theory and applications. IEEE Access. 9, 82031-82057 (2021).
  38. Yohoshiva, B., Challa, N. P. Ghcr-a dataset for Grantha handwritten character recognition. Data Brief. 56, 110783(2024).
  39. Ronneberger, O., Fischer, P., Brox, T. U-Net: Convolutional networks for biomedical image segmentation. Med Image Comput Comp Assisted Intervent MICCAI 2015 Lecture Notes Comp Sci. 9351, 234-241 (2015).
  40. Zhuang, F., et al. A comprehensive survey on transfer learning. arXiv. , (2020).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

DenseNet 121

مقالات ذات صلة