طريقة قائمة على التعلم العميق لاكتشاف أمراض أوراق الأرز وتوصية علاجية خاصة بمرحلة النمو

Summary

تقدم هذه الدراسة طريقة قائمة على التعلم العميق للتنبؤ بمراحل نمو أوراق الأرز وتصنيف الأمراض، وتقدم توصيات علاجية خاصة بالمراحل من خلال نظام دعم اتخاذ قرار آلي وسهل الاستخدام لإدارة فعالة لأمراض المحاصيل.

Abstract

تؤثر أمراض أوراق الأرز بشكل كبير على إنتاجية الأرز وجودتها، مما يجعل الكشف المبكر والعلاج المناسب أمرا ضروريين للزراعة الدقيقة. تقترح هذه الدراسة نظام دعم اتخاذ قرار قائم على التعلم العميق لاكتشاف أمراض أوراق الأرز، والتنبؤ بمراحل النمو، وتوصيات علاجية خاصة بالمراحل. تتضمن مجموعة البيانات المستخدمة في هذه الدراسة صور أوراق الأرز التي جمعت من مصادر متعددة ومصنفة حسب مرحلة النمو وفئة المرض. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (80٪)، والتحقق (10٪)، ومجموعات اختبار (10٪) لضمان تقييم النماذج بشكل صحيح. لتنبؤ مرحلة النمو، تم تطوير نموذج خفيفة الوزن لشبكة عصبية الالتفافية (CNN)، بينما تم تصنيف الأمراض باستخدام نماذج التعلم الانتقالي، بما في ذلك VGG16 وResNet50 وInceptionV3 وMobileNetV2. تم استخدام طريقة جماعية تعتمد على متوسط التصويت الاحتمالي لتحسين أداء التصنيف. تم تقييم النماذج باستخدام الدقة والدقة والاسترجاع ودرجة F1 على مجموعة اختبارات مستقلة. تظهر النتائج التجريبية أن نموذج المجموعات حقق دقة أعلى مقارنة بالنماذج الفردية، مما أظهر تحسنا في المتانة والتعميم. تم تنفيذ النظام المقترح كتطبيق ويب من Streamlit يوفر اكتشاف الأمراض، والتنبؤ بمراحل النمو، وتوصيات علاجية. يمكن للإطار المتكامل المقترح دعم المزارعين والخبراء الزراعيين في اتخاذ قرارات إدارة الأمراض في الوقت المناسب وبدقة.

Introduction

الهند، كونها اقتصادا زراعيا، تعتمد بشكل كبير على الزراعة، حيث يعد الأرز (الأرز) محصولا أساسيا لجزء كبير من السكان. ومع ذلك، تتأثر زراعة الأرز بشكل كبير بأمراض الأوراق مثل الانفجار، وتعفن الأوراق البكتيري، والبقع البنية، ومرض الغمد، مما يقلل المحصول ويسبب خسائر اقتصادية. الكشف المبكر عن هذه الأمراض أمر ضروري، حيث أن طرق الفحص اليدوي التقليدية تستغرق وقتا طويلا وغالبا ما تكون غير دقيقة. لمعالجة هذه المشكلة، تقترح هذه الدراسة نظام دعم قرار قائم على التعلم العميق لتوقع مراحل نمو أوراق الأرز، وتصنيف الأمراض، والتوصية بالعلاج. يستخدم النظام نموذج شبكة عصبية للتنبؤ بمرحلة نمو ورقة الأرز وعدة نماذج تعلم عميق، بما في ذلك CNN وVGG16 وResNet50 وInceptionV3 وMobileNetV2 لتصنيف الأمراض. يتم دمج هذه النماذج باستخدام نهج جماعي لتحسين الدقة والمتانة، محققة دقة تصنيف تبلغ 98.99٪. استنادا إلى مرحلة المرض والنمو المتوقعة، يقدم النظام توصيات علاجية خاصة بالمرحلة. النظام المقترح منفذ كتطبيق ويب قائم على Streamlit يسمح للمستخدمين برفع صور الأوراق وتلقي توقعات وتوصيات في الوقت الحقيقي. يوفر هذا النهج المتكامل حلا عمليا وقابلا للتوسع للزراعة الدقيقة، مما يساعد المزارعين على تقليل خسائر المحاصيل وتحسين الإنتاجية.

وقد طبقت عدة دراسات تقنيات التعلم الآلي والتعلم العميق لتقديم توصيات للمحاصيل، واكتشاف الأمراض، ودعم اتخاذ القرار الزراعي. تم استخدام طرق التعلم العميق المجمعة لتحسين دقة توصية المحاصيل والأسمدة من خلال دمج التنبؤ بالأمراض، مما يدل على أداء أفضل من النهج النموذجي^{الواحد 1}. كما تم تطوير أنظمة توصية قائمة على التعلم الآلي باستخدام أشجار القرار وآلات الدعم الناقلة لاقتراح المحاصيل والأسمدة وعلاجات الأمراض مع دمج تغذية راجعة المزارعين لتحسين القدرة على التكيف².

لاكتشاف الأمراض، ساهمت نماذج CNN الهجينة مع تقنيات استخراج الميزات مثل CLAHE وGLCM في تحسين دقة تصنيف أمراض الأرز³. استخدمت طرق أخرى خوارزميات التجميع والغابات العشوائية مع استخراج الميزات المعتمد على النسيج لتعزيز أداء اكتشاف الأمراض⁴. نماذج التعلم العميق، وخاصة شبكات CNN وبنى التعلم التحويلي، حققت دقة عالية في اكتشاف أمراض النباتات ومكنت أنظمة التشخيص في الوقت الحقيقي والمعتمدة على الهواتف الذكية ^5,6,7. كما أظهرت طرق شجرة معالجة الصور التقليدية وتصنيفها باستخدام ميزات اللون والملمس والشكل اكتشافا فعالا للأمراض مع تعقيد حسابي أقل ^8,9.

تم استخدام التعلم الجماعي على نطاق واسع في أنظمة توصية المحاصيل من خلال دمج مصنفات مثل Random Forest، وNaïve Bayes، وSupport Vector Machines لتحسين دقة التنبؤ والمتانة¹⁰. كما تم استخدام النماذج المبنية على CNN للكشف عن أمراض الأرز ودمجها مع أنظمة إنترنت الأشياء لتوصيات زراعية فورية¹¹. تم تطبيق نماذج التعلم الآلي مثل K-Nearest Neighbors وتقنيات الانحدار في أنظمة دعم القرار التنبؤي¹². بالإضافة إلى ذلك، تم تطوير أنظمة توصية بالمحاصيل تعتمد على عوامل التربة والموسمية والإنتاجية لدعم قرارات الزراعة المعتمدة على البيانات ¹³.

كما درست الدراسات قيود إنتاج الأرز واستراتيجيات إدارة الأمراض، مما يبرز أهمية مكافحة الأمراض المستدامة^{وتحسين الممارسات} الزراعية. ومع ذلك، تركز معظم الدراسات الحالية فقط على اكتشاف الأمراض أو التوصية بالمحاصيل بشكل فردي، وقليل جدا منها يدمج تصنيف المرض، وتوقع مراحل النمو، وتوصية العلاج في نظام دعم قرار واحد. تبرز هذه الفجوة الحاجة إلى إطار دعم زراعي متكامل وعملي^{لاتخاذ القرار 15}.

تكمن جدة هذا البحث ليس فقط في تصنيف الأمراض، بل في تطوير نظام دعم اتخاذ قرار كامل لإدارة مرض الأرز¹⁶. يدمج النظام المقترح التنبؤ بمرحلة نمو أوراق الأرز، وتصنيف الأمراض باستخدام مجموعة من نماذج التعلم العميق، وتوصيات علاجية خاصة بمرحلة النمو. على عكس الدراسات الحالية التي تركز فقط على اكتشاف الأمراض، يربط هذا العمل التنبؤ بالأمراض بنصائح علاجية قابلة للتنفيذ بناء على المرحلة¹⁷ من نمو النبات. يجعل هذا النهج المتكامل النظام أكثر عملية للاستخدام الزراعي الحقيقي ويدعم الزراعة الدقيقة من خلال توفير تدخل مناسب ومناسب للمراحل في الوقت المناسب¹⁸.

الهدف الرئيسي من البحث المعطى هو إنشاء نظام التعلم العميق للمرحلة التالية لاكتشاف مرض أوراق الأرز في وقت أبكر والتنبؤ بدقة بمراحل نمو الورقة والتوصية بالعلاج في الوقت المناسب، وكذلك بشكل انتقائي. يحقق النظام دقة عالية في تصنيف الأمراض تبلغ 98.99 من خلال الهندسة الدقيقة وتجميع نماذج متطورة مثل CNN، VGG16، ResNet50، InceptionV3، MobileNetV2 وغيرها. يتضمن شبكة عصبية تتنبأ بمرحلة النمو وتقدم اقتراحات محددة للمبيدات أو المبيدات الحشرية المتعلقة بالتحليل. التقنية متاحة للمزارعين من خلال تطبيق ويب سهل الاستخدام من Streamlit يتيح التنبؤات الفورية بالإضافة إلى نصائح علاجية¹⁹. يجب أن تسهل الدراسة اتخاذ قرارات تتعلق بإدارة الأمراض من خلال التنبؤات في الوقت المناسب وتوصيات علاجية مع إمكانية تطبيقها على الاقتصادات الزراعية مثل الهند.

على الرغم من إجراء دراسات متعددة حول اكتشاف أمراض النباتات من حيث التعلم الآلي والتعلم العميق، إلا أن غالبية الأبحاث الحالية تحاول تصنيف الأمراض دون النظر في مرحلة تطور النبات واقتراحات العلاج. ومع ذلك، في الممارسة الفعلية في الزراعة، لا تعتمد تعليمات العلاج فقط على طبيعة المرض بل أيضا على المرحلة التي يكون فيها المحصول وقت المعالجة، حيث تختلف درجة ونوع المبيدات حسب مرحلة المحصول. القليل جدا من الأبحاث تتضمن اكتشاف الأمراض، وتوقع مرحلة النمو، ونصائح العلاج كلها في نظام آلي واحد. لسد هذه الفجوة، تقترح الدراسة الحالية بنية موحدة قائمة على التعلم العميق تدمج التنبؤ بمرحلة الأوراق للأرز، وتصنيف الأمراض في مجموعة من نماذج التعلم العميق، والتوصية بعلاج محدد بناء على مرحلة نمو من^{خلال نظام دعم} القرار المنفذ من Streamlit. يسمح هذا التكامل بأن يصبح النظام المقترح أكثر عملية وفائدة في الزراعة الدقيقة الواقعية. تقترح هذه الدراسة إطار عمل تشخيص مرض واعي للمراحل حيث يتم دمج التنبؤ بمرحلة النمو وتصنيف المرض مع وحدة توصية علاجية لتشكيل خط دعم القرار^{الكامل 21}.

على الرغم من اقتراح عدة طرق تعلم عميق وتعلم جماعي للكشف عن أمراض النبات، إلا أن معظم الدراسات الحالية تركز فقط على تصنيف الأمراض ولا تأخذ في الاعتبار مرحلة نمو النبات. ومع ذلك، في الزراعة العملية، تعتمد طريقة العلاج، ونوع المبيدات، والجرعة غالبا ليس فقط على نوع المرض بل أيضا على مرحلة نمو النبات. أنظمة الكشف عن الأمراض الحالية لا تقدم توصيات علاجية خاصة بالمراحل، مما يحد من تطبيقها العملي في الزراعة الدقيقة²². علاوة على ذلك، تركز العديد من الدراسات القائمة فقط على تحسين دقة التصنيف باستخدام نماذج التعلم العميق، لكنها لا تدمج نظام التنبؤ في إطار دعم قرار عملي يمكن للمزارعين أو الخبراء الزراعيين استخدامه. لمعالجة هذه القيود، تقترح هذه الدراسة نظام دعم اتخاذ قرار متكامل يجمع بين التنبؤ بمراحل نمو أوراق الأرز، وتصنيف الأمراض باستخدام التعلم الجماعي، وتوصيات العلاج الخاصة بالمرحلة. تم تنفيذ النظام المقترح كتطبيق عبر الويب لدعم اتخاذ القرار الزراعي في الوقت الفعلي²³.

تشمل المساهمات الرئيسية لهذه الدراسة تطوير نموذج قائم على التعلم العميق للتنبؤ بدقة بمراحل نمو أوراق الأرز باستخدام بيانات الصور، مما يمكن من مراقبة وإدارة المحاصيل بشكل أفضل. كما يتضمن تطبيق تقنيات التعلم التحويلي لتصنيف أمراض أوراق الأرز بفعالية من خلال الاستفادة من نماذج مدربة مسبقا، مما يحسن الدقة مع تقليل تعقيد التدريب²⁴. لتعزيز موثوقية اكتشاف الأمراض بشكل أكبر، يتم استخدام نهج التعلم الجماعي، حيث يجمع بين عدة نماذج لتحقيق أداء تصنيف متفوق. بالإضافة إلى ذلك، تقدم الدراسة نظام توصية علاجي خاص بمرحلة معينة يوفر حلولا مستهدفة بناء على كل من المرض المحدد، ومرحلة نمو المحصول، مما يضمن تدخلات زراعية أكثر دقة وفعالية. وأخيرا، تم دمج جميع هذه المكونات في تطبيق ويب قائم على Streamlit، يوفر منصة سهلة الاستخدام لدعم اتخاذ القرار في الوقت الفعلي، مما يسمح للمزارعين وأصحاب المصلحة بالوصول بسهولة إلى التوقعات والتوصيات²⁵.

Protocol

يوضح البروتوكول التالي عملية بناء ونشر نظام الكشف عن أمراض أوراق الأرز وتوصية العلاج خطوة بخطوة. يجب استخدام الخطوات المتخذة بشكل متتابع لتكرار النتائج المقدمة في هذه الورقة.

إعداد مجموعة البيانات

مجموعة بيانات Paddy Leave Stage: استندت هذه البيانات إلى PaddyNet4. يتكون المشهد من 560 صورة مصنفة ضمن أربع مراحل تطوير مختلفة، وهي: المرحلة 2، المرحلة 3، المرحلة 4 والمرحلة 5. يعتمد التصنيف على لون ونضج أوراق الأرز، والتي تعتمد على تركيز النيتروجين وغيرها من العوامل وتطور النبات. تعد مجموعة البيانات المعروضة مهمة لمعرفة المرحلة الصحيحة لنبتة الأرز (الشكل 1). يمكن الوصول إلى بادي نت للجمهور عبر موقع data.mendeley.com/datasets/. مجموعة بيانات مرض يترك بادلي: كانت هذه المجموعة متاحة كعدة مجموعات بيانات منفصلة متاحة للجمهور على كاغل، ودمجت لإنشاء مجموعة بيانات موحدة تضم ما مجموعه 6,920 صورة، كل منها ينتمي إلى أحد ستة أنواع مرضية موضحة في (الشكل 2). مجموعة بيانات العلاج: تم تطوير مجموعة البيانات بشكل نقدي من خلال استرجاع ودمج معلومات مجموعات البيانات المتاحة للجمهور وتحتوي على بيانات حول ممارسات إدارة مختلفة لأمراض الأرز في أربع مراحل نمو²¹. الهدف الرئيسي من هذه المجموعة هو وضع توصيات للوقاية من مرض الأرز والسيطرة عليه. تعد هذه البيانات من الموارد الحيوية لمحاربة الأمراض في نباتات الأرز من خلال اختيار النوع المناسب من المبيدات^{الحشرية} 19,22,23,24,25

تعزيز البيانات

تم استخدام تعزيز البيانات لتعزيز مجموعة بيانات التدريب وتقليل الإفراط في التركيب. طرق التعزيز المستخدمة في الدراسة الحالية هي الدوران (حتى 30)، والحركة بالعرض والارتفاع (حتى 20٪)، والتكبير (حتى 20٪)، والقص، والانقلاب الأفقي. يساعد استخدام هذه الطرق التعزيزية النموذج على اكتساب أساسيات النموذج ويعزز تعميمه عند اختباره على بيانات غير مرئية. تم إجراء تعزيز البيانات على مجموعة بيانات التدريب، بينما تركت مجموعات بيانات التحقق والاختبار كما هي لمراجعة الأداء العادل للنظام. كان لا بد من زيادة حجم مجموعة البيانات الأصلية بالبيانات لأن حجم مجموعة البيانات الأصلية صغير نسبيا، وكان من الضروري تعزيز التعميم وتقليل الإفراط في التوافق من خلال تعريف النموذج بالفروقات في الاتجاه والحجم وموقع صور الأوراق.

معالجة الصور مسبقة

تم تمرير بيانات المرحلة والأمراض التي تم جمعها عبر عدد من خطوات المعالجة المسبقة لجعل البيانات متسقة وتحسين أداء النماذج. تم تكبير جميع الصور من مجموعتي البيانات إلى 128 × 128 × 3 لضمان توافق عملي في أي بنية تعلم عميق. تم تكبير قيم البكسل إلى الفترة [0,1] لتسريع التقارب أثناء التدريب. علاوة على ذلك، تم تحويل تسميات الأمراض ومراحلها إلى أرقام لتقييم وتدريب النموذج بشكل أكثر قوة. ساعدت هذه الطرق في استخراج الميزات بشكل أفضل، ومعدل تصنيف أفضل، ومتانة النموذج أمام ظروف بيئية مختلفة. حجم الصورة المستخدمة، 128 × 128، كان متأثرا بين الحوسبة وفقدان الميزات. حجم الصورة الصغير في الخرسانة يقلل من وقت التدريب والتكلفة الحاسوبية، ولا يلغي المعلومات (الميزات البصرية) لتصنيف المرض والمرحلة عند استخدام نماذج التعلم العميق.

تقسيم مجموعات البيانات

تم تقسيم البيانات المعالجة إلى ثلاث مجموعات فرعية (الجدول 1): مجموعة التدريب (80٪)، مجموعة التحقق (10٪)، مجموعة الاختبار (10٪). لتجنب توزيع غير متوازن للفئات في جميع المجموعات الفرعية الثلاث، تم استخدام أخذ عينات عشوائية طبقية لضمان أن كل من مجموعة بيانات المرحلة (560 صورة) ومجموعة بيانات الأمراض (6,920 صورة) لهما توزيع متساو للفئات. لم يكن هناك تسرب بيانات بين المجموعات الفرعية.

تدريب النماذج

في تصنيف مرحلة نمو أوراق الأرز والأمراض، تم استخدام طريقة تدريب نموذجية بخطوتين.

نموذج تصنيف المراحل

طريقة تصنيف مرحلة نمو الأوراق تتكون من أربع فئات وحجم بيانات منخفض نسبيا، لذا لم تكن بنية الشبكة العصبية الالفافية (NN) موسعة جدا لكنها اعتبرت خفيفة الوزن. يمكن استخدام بنية أبسط لتوفير تقليل الإفراط في التركيب والقدرة الحاسوبية، على حساب الحصول على دقة عالية في حالة التصنيف باستخدام ميزات اللون والملمس. سيتكون الهيكل الجديد للشبكة النووية العصبية على ثلاث طبقات التفافية تستخدم وظائف تفعيل ReLU. تتناوب الطبقات الالفافية مع طبقات التجميع القصوى (2×2) لتقليل الأبعاد المكانية، وكذلك لتحديد الميزات البارزة. تخضع خرائط الميزات لطبقة التفافية، وبعدها تسطح، ويتم تشغيل الطبقة الكثيفة المتصلة بالكامل مع تنظيم الانسقاط لمنع الإفراط في التركيب. أخيرا، يتم تصنيف المراحل الأربع للنمو متعدد الفئات بمساعدة طبقة مخرجات سوفتماكس. تم استخدام محسن آدم، الذي يبلغ معدل التعلم 0.001 ويحتوي على الفوضى التصنيفية كدالة فقدان، لتدريب النموذج. تم تعيين عدد الدفعة إلى 10، وتم تدريب النموذج على 10 عصرات. كما تم استخدام دقة التحقق وفقدان التحقق لمراقبة أداء النموذج لأنهما يستخدمان لضمان تعميم النموذج.

نموذج تصنيف الأمراض بناء على التعلم الجماعي

لتصنيف الأمراض، تم اعتماد سلسلة من هياكل التعلم العميق لتحسين دقة التنبؤ. تكون التطوير الأولي لنموذج CNN مخصص من أربع طبقات، وهي: ثلاث طبقات التفافية، وثلاث طبقات تجميع قصوى، وطبقة كثيفة متصلة بالكامل، وتنظيم الانقطاع. يستخدم MobileNetV2 الالتفافات المنفصلة حسب العمق، والكتل المتبقية المقلوبة، وعنق زجاجة مقلوب مع بقايا خطية. يحتوي النموذج على حجم صغير لا يتجاوز 3.4 مليون معلم ويمكن استخدامه في بيئة تعاني من محدودية الموارد. بدأت النماذج باستخدام تفعيل ImageNet، وتم تجميد الطبقات الالتفافية حتى لا تضيع تمثيلات الميزات التي تم تعلمها. كانت طبقة تصنيف سوفتماكس مرتبطة بطبقة متصلة بالكامل تحتوي على تنظيم الانقطاع. تم تدريب جميع النماذج خلال 20 حقبة بحجم دفعة 32، وكان المحسن والخسارة متطابقين مع نموذج CNN. في محاولة لتحسين التصنيف، تم استخدام طريقة التعلم الجماعي التصويتي المتوسطة. كانت النتائج هي متوسط الاحتمالات التي تنبأت بها جميع النماذج الخمسة (CNN، VGG16، ResNet50، InceptionV3، وMobileNetV2) للحصول على توقعات الفئة النهائية. كانت هذه التقنية المجمعة مفيدة في تقليل التحيز في النماذج وتعزيز التعميم. كان آخر نموذج تركيبي أكثر دقة في التصنيفات. السبب في اختيار النهج الجماعي هو أن تعلم تمثيلات الميزات المختلفة يتم التعلم باستخدام نفس مجموعة البيانات من خلال نماذج التعلم العميق المختلفة. كما يقلل هذا المجموع من تحيز النموذج والتباين ويزيد من مشاكل التنبؤ العامة وأداء التعميم العام مقارنة بالنماذج المستقلة.

استراتيجية التنبؤ

في عملية التنبؤ بمرض أوراق الأرز ومرحلة النمو المرتبطة به، تم استخدام طريقة التصنيف القائمة على المجموعات. تم تدريب نماذج التعلم العميق الخمسة (CNN، VGG16، ResNet50، InceptionV3، وMobileNetV2) بشكل مستقل لتصنيف الأمراض وتم تجميعها معا باستخدام طريقة التصويت المتوسط. تضمنت هذه العملية التنبؤ باحتمالات كل فئة مرضية في جميع النماذج وتوزيع الاحتمالات المتوسط، مما يضيف دقة للتنبؤ ويقلل من التحيز في النموذج. تم اعتبار التوقع النهائي هو فئة المرض ذات الاحتمال المتوسط الأعلى للمتوسط. علاوة على ذلك، تم تدريب نموذج تصنيف مراحل مختلف يعتمد على CNN واستخدامه للتنبؤ بمرحلة نمو ورقة الأرز. كلا النموذجين للتصنيف يستقبلان صورا مدخلة بحجم 128×128 ثم يعيشان تطبيع قيم البكسلات ثم يستخدمان النماذج لاستنتاج. ثم تم ربط التنبؤات النهائية لكل من مرحلة الورقة والمرض على مجموعة قائمة من توصيات العلاج لتقديم علاج صالح من أجل إدارة المرض.

مثال على المخرج: "مرحلة الورقة: 3، المرض: تونغرو"

توصية العلاج

لجعل تصنيف أمراض أوراق الأرز أكثر عملية، تم دمج نظام توصية علاجية في التطبيق بناء على Streamlit. يأخذ النظام مرحلة المرض المتوقعة ومرحلة الأوراق ليقدم توصيات علاجية محددة لضمان إدارة المرض بنجاح. يصنف نموذج تصنيف الأمراض الجماعي (بما في ذلك CNN، VGG16، ResNet50، InceptionV3، وMobileNetV2) المرض، بينما نموذج تصنيف مرحلة الأوراق هو نموذج آخر. تتم مقارنة المرحلة النموذجية للورقة والمرض مع بيانات العلاج الذي تم التوصية به جرعات (التدابير الوقائية وتطبيق المبيدات).

الإطار المنهجي والمساهمة

منهجية النظام المعروض هي خط أنابيب متعدد المراحل، يجمع بين تصنيف الصور ودعم اتخاذ القرار. يتكون الإطار من خمس خطوات رئيسية، وهي الترويج للصور والتعزيز، والتنبؤ بمرحلة نمو الأوراق، واستخدام نماذج التعلم العميق المدربة على الصور لتصنيف المرض، ودمج نتائج التنبؤ للحصول على قرار جماعي، والتوصية بالعلاج بناء على نوع ومرحلة نمو المرض. المساهمة المنهجية لهذا العمل تركز على تنفيذ العديد من نماذج التنبؤ ووحدة توصية العلاج في خط دعم اتخاذ قرار واحد. يعتمد النظام ليس فقط على تصنيف الأمراض، بل أيضا على دمج معلومات مرحلة نمو النبات لتقديم توصيات علاجية في مرحلة معينة. النظام أكثر صلة بعملية اتخاذ القرار الزراعي في العالم الحقيقي بسبب استراتيجية التوصية الواعية بالمرحلة. تخضع الصورة المدخلة أولا للمعالجة المسبقة قبل أن تمر عبر نموذج تصنيف المرحلة ونماذج تصنيف الأمراض. يتم متوسط نتائج نموذج المرض باستخدام تقنية المجموعة، ويتم التعاقد بمرحلة التنبؤ بالمرض ونموها حتى النهاية للحصول على توصيات علاجية صحيحة بناء على تحديد سجلات العلاج ذات الصلة في قاعدة بيانات العلاج.

استراتيجية التحقق والوقاية من التركيب الزائد

ولتوفير تحقق صارم للنماذج المطورة، تم تقسيم مجموعة البيانات إلى ثلاث مجموعات فرعية منفصلة: مجموعة التدريب (80٪)، مجموعة التحقق (10٪)، ومجموعة الاختبار (10٪). تم تدريب النماذج باستخدام مجموعة التدريب، وضبطها باستخدام مجموعة التحقق، وتقييم أدائها النهائي باستخدام مجموعة الاختبار فقط. ظلت مجموعة الاختبار مستقلة تماما لإجراء تحليل محايد للنموذج. تم استخدام الطرق التالية لضمان عدم إفراط التركيب وتعزيز قدرته على التعميم. لزيادة مستوى التنوع في مجموعة البيانات، تم أولا استخدام طرق تعزيز البيانات (الدوران، التكبير، الإزاحة، القص، والقلب الأفقي). ثانيا، تم استخدام تنظيم الانقطاع في الطبقات المتصلة بالكامل من نماذج CNN لتقليل الإفراط في التركيب. ثالثا، تم نقل نماذج مدربة مسبقا (VGG16، ResNet50، InceptionV3، وMobileNetV2) باستخدام تقنية الطبقات الالفافية المجمدة للحفاظ على الميزات المتعلمة وتقليل فرص التركيب الزائد الناتج عن صغر حجم مجموعة البيانات. وأخيرا، تم استخدام فقدان التحقق والدقة لمراقبة أداء النموذج أثناء التدريب لضمان عدم ملاءمة النموذج بشكل مفرط لبيانات التدريب. هذه هي أنظمة التحقق والتنظيم التي تضمن أن النموذج المقترح يعمم بشكل جيد جدا على البيانات غير المرئية ويقدم أداء جيدا.

النظام المقترح

الحل المقترح هو حل تعليمي عميق لإدارة مرض أوراق الأرز، والذي يتضمن التنبؤ بمراحل الأوراق وتصنيف المرض. يبدأ الأمر بالمعالجة المسبقة لصور أوراق الأرز من حيث تغيير حجمها إلى ارتفاع مشترك وقيم البكسل. يتم التنبؤ بمرحلة نمو الورقة باستخدام شبكة عصبية، وتستخدم تقنية تصويت متوسطة لاستخدام مجموعة من نماذج التعلم العميق (CNN، VGG16، ResNet50، InceptionV3، MobileNetV2) لتصنيف الأمراض. يستخدم النظام المرحلة المتوقعة والمرض لوصف الجرعات المناسبة من مبيدات الأعشاب أو المبيدات الحشرية المستخدمة في العلاج. يتم عرض سير العمل للنظام المقترح في (الشكل 3). تشرح الأقسام الفرعية السابقة (من أ إلى الأول) كل عنصر من عناصر هذا الخط بشكل فردي، ولهذا السبب لا يتم الشرح أكثر هنا. التطبيق المبني على Streamlit الذي تم تطويره في هذه الدراسة هو أداة دعم اتخاذ القرار النموذجية تهدف إلى إثبات التطبيق العملي للنموذج المقترح. يتيح النظام للمستخدمين رفع صور أوراق الأرز واستقبال توقعات المرض، ومعلومات مراحل النمو، وتوصيات العلاج. سيتم إجراء اختبارات سهولة الاستخدام واسعة النطاق ونشر النظام في الميدان مع المزارعين كجزء من العمل المستقبلي لتقييم فعالية النظام وقابليته للاستخدام في الواقع.

Results

نموذج تصنيف المراحل

حقق نموذج التنبؤ بالمراحل دقة تدريب بلغت 95.88٪ (خسارة: 0.1172) ودقة تحقق بلغت 95.24٪ (خسارة: 0.1751)، مما يشير إلى أن النموذج يتعلم باستمرار ويقدم توقعات عادلة عند تطبيقه على عينات تحقق غير مرئية. تم تحقيق دقة تحقق بلغت 95.24٪، مع فقدان تحقق بلغ 0.1751. حقق النموذج دقة اختبار بلغت 94.05 بالمئة وخسارة اختبار بلغت 0.1759 في بيانات الاختبار، مما يدعم متانة النموذج وقدرته على التعامل مع العينات المجهولة. منحنيات الدقة والخسارة...

Discussion

تقترح الورقة الحالية نظاما جديدا لدعم اتخاذ القرار يتضمن التنبؤ بمرحلة نمو أوراق الأرز، وتصنيف الأمراض بمساعدة مجموعة من نماذج التعلم العميق (VGG16، MobileNetV2، وResNet50)، والتوصية بالعلاج على مراحل بناء على تطبيق عبر الإنترنت. حصل نموذج المجموعة على دقة 98.99٪ في تصنيف النموذج، وهي أعلى من النماذج الفردية، كما ذكر سابقا أن النماذج في الاستراتيجية الفردية لديها حساسية تجاه التحيز وتميل إلى التصنيف بشكل خاطئ أثناء تعميم ^1,10. أه...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
مجموعة البيانات	مجموعة بيانات مرحلة ورق الأرز (PaddyNet4)	560 صورة عبر 4 مراحل نمو (المرحلة 2&ndash؛ 5)
مجموعة البيانات	مجموعة بيانات مرض أوراق الأرز	6920 صورة عبر 6 فئات مرضية من كاجل
مجموعة البيانات	مجموعة بيانات العلاج	مجموعة بيانات مجمعة مع ممارسات إدارة الأمراض حسب مرحلة النمو
المعالجة المسبقة	تغيير حجم الصورة	تم تغيير حجم الصور إلى 128x128x3
المعالجة المسبقة	التطبيع	قيم البكسل المدرجة إلى [0,1]
المعالجة المسبقة	ترميز التسمية	تحويل التسميات الفئوية إلى رقمية
التعزيز	التدوير	حتى 30 درجة
التعزيز	تغير العرض/الارتفاع	حتى 20٪
التعزيز	زووم	حتى 20٪
التعزيز	شير & فليب	القص والانقلاب الأفقي
النموذج	سي إن إن (تصنيف المراحل)	CNN خفيف الوزن مع 3 طبقات تداخل
النموذج	تصنيف الأمراض (CNN)	CNN مخصص مع طبقات conv + تجميع
النموذج	VGG16	نموذج التعلم التحويلي
النموذج	ريس نيت 50	نموذج التعلم التحويلي
النموذج	InceptionV3	نموذج التعلم التحويلي
النموذج	موبايل نت V2	نموذج التعلم الانتقالي الخفيف
التقنية	التعلم الجماعي	متوسط التصويت الاحتمالي لخمسة نماذج
التقنية	التعلم التحويلي	استخدام أوزان ImageNet المدربة مسبقا
التقنية	تنظيم الانسحاب	لمنع الإفراط في التركيب
التدريب	المحسن	آدم (معدل التعلم 0.001)
التدريب	دالة الخسارة	الإنتروبيا التصنيفية المتقاطعة
التدريب	حجم الدفعة	10 (نموذج المرحلة)، 32 (نماذج الأمراض)
التدريب	العصور	10 (في المرحلة)، 20 (مرض)
التقييم	المقاييس	الدقة، الدقة، الاستدعاء، ونتيجة الفورمولا 1
النشر	Streamlit	تطبيق ويب للتنبؤ في الوقت الحقيقي