الكشف عن أمراض أوراق النبات وتحديدها باستخدام YOLOv4

المقدمة

يواجه النمو الزراعي في جميع أنحاء العالم تحديات كبيرة بسبب أمراض النباتات، التي تؤدي إلى خسائر مالية سنوية كبيرة. مع تطور تقنيات التعلم الآلي، برز الكشف عن أمراض النباتات كمجال حاسم في التعرف على الأنماط والزراعة الحديثة. في هذا المقال، نستكشف استخدام YOLOv4، خوارزمية متقدمة للكشف عن الأشياء، للكشف الدقيق عن أمراض أوراق النبات وتحديدها.

مراجعة الأدبيات

تقليدياً، تم استخدام طرق مثل آلة المتجهات الداعمة (SVM)، والشبكات العصبية الاصطناعية (ANN)، وتقنيات تقليدية أخرى للكشف المبكر عن أمراض النباتات. تتطلب هذه الطرق عزل المناطق المتأثرة يدوياً في الصور، تليها تقنيات التجميع للتشخيص. ومع ذلك، قدمت التطورات في الذكاء الاصطناعي طرقاً أكثر تطوراً مثل الشبكات العصبية الالتفافية (CNNs) ونماذج التعلم العميق، التي أظهرت إمكانات كبيرة في هذا المجال.

جمع البيانات

مجموعة بيانات "Plant Village"، وهي مورد متاح للجمهور، تتضمن أكثر من 50,000 صورة لأوراق نباتات صحية ومريضة من 14 نوعاً مختلفاً. كل صورة مشروحة بنوع النبات المقابل وحالة المرض. تم استخدام مجموعة البيانات هذه على نطاق واسع لتطوير والتحقق من خوارزميات الرؤية الحاسوبية لتحديد أمراض النباتات.

تحضير البيانات

تصور كل صورة فاكهة هو خطوة ما قبل تحضير البيانات الحاسمة. يبسط صنف torch-vision.datasets دمج مجموعات البيانات الشائعة، وتطبيع الصور، الذي يتضمن تحويل قيم البكسل من (0، 255) إلى (0، 1)، ضروري لتحسين ملاءمة الصور لمعالجة الشبكة العصبية.

شرح الصور

يتضمن شرح الصور إضافة بيانات وصفية أو تسميات لوصف محتويات الصورة. هذا أمر بالغ الأهمية لتطبيقات التعلم الآلي في الكشف عن الأشياء، وتصنيف الصور، والتجزئة. يمكن أن تشمل الشروحات مربعات محيطة، وأوصاف نصية، ونقاط لتحديد ميزات محددة ومناطق مريضة.

نظرة عامة على YOLOv4

YOLOv4، الذي طوره باحثون في جامعة واشنطن، هو إطار عمل متطور للكشف عن الأشياء. يعالج الصور في الوقت الفعلي، متنبئاً بالمربعات المحيطة واحتمالات الفئات. يستخدم YOLOv4 تقنيات متقدمة مثل الاتصالات المتبقية الموزونة، ودوال التنشيط mish، والتجميع الهرمي المكاني لتعزيز الأداء.

تدريب YOLOv4 المخصص

تحضير مجموعة البيانات

للبدء، أنشئ مجموعة بيانات بصور مُعلَّمة، تتضمن مربعات محيطة وتسميات الفئات. يمكن استخدام أدوات مثل VoTT وLabelImg وYOLOv4 Label للشرح.

ملف التكوين

أنشئ ملف تكوين YOLOv4 يحدد بنية النموذج والمعلمات الفائقة وإعدادات التدريب. اضبط عدد الفئات والمرشحات حسب الضرورة.

الأوزان المدربة مسبقاً

قم بتنزيل الأوزان المدربة مسبقاً لبنية YOLOv4 لتبسيط عملية التدريب.

تدريب النموذج

درّب النموذج باستخدام إطار عمل Darknet، مع ضمان تحضير مجموعة البيانات بشكل جيد. تحقق من أداء النموذج باستخدام مقاييس مثل الدقة والإحكام والاستدعاء ودرجة F1.

التقييم

قيّم النموذج المدرب على مجموعة بيانات التحقق لضمان متانته وقابليته للتعميم على بيانات جديدة. استخدم مصفوفة الارتباك لتقييم الإيجابيات الحقيقية والإيجابيات الكاذبة والسلبيات الحقيقية والسلبيات الكاذبة.

الاختبار

اختبر النموذج على بيانات جديدة غير مدربة لتقييم أدائه في السيناريوهات الواقعية.

أداء النموذج

أظهر نموذج YOLOv4 أداءً متميزاً بدقة 99.99% على مجموعة بيانات Plant Village، مما يسلط الضوء على فعاليته في تحديد وتصنيف أمراض أوراق النبات بدقة.

التحليل المقارن

كشفت دراسة مقارنة أن YOLOv4 تفوق على النماذج الأخرى مثل Densenet وAlexNet والشبكات العصبية التقليدية في تحديد أمراض أوراق النبات.

الاتجاهات المستقبلية

1. التوسع إلى أمراض نباتية مختلفة: توسيع المنهجية لتغطية نطاق أوسع من أمراض النباتات ومجموعات البيانات.
2. دمج البيانات متعددة الوسائط: الجمع بين بيانات الصور وبيانات المستشعرات الأخرى لتحديد أمراض أكثر دقة.
3. التنفيذ في الوقت الفعلي: تحسين النموذج للتطبيقات في الوقت الفعلي والحوسبة الحافية.
4. التحسين المستمر للنموذج: تطوير أطر للتعلم عبر الإنترنت لتكييف النموذج بمرور الوقت.
5. قابلية تفسير النموذج: تعزيز قابلية تفسير تنبؤات النموذج لكسب ثقة المستخدم.

الخلاصة

تقدم هذه الدراسة بشكل كبير علم أمراض النباتات من خلال توظيف YOLOv4 للكشف الدقيق والفعال عن أمراض أوراق النبات. يهدف البحث المستقبلي إلى توسيع النطاق من خلال تضمين المزيد من أمراض النباتات ومجموعات البيانات، ودمج البيانات متعددة الوسائط، وتحسين قدرات التنفيذ في الوقت الفعلي.

المراجع

Aldakheel EA, Zakariah M, Alabdalall AH. Detection and identification of plant leaf diseases using YOLOv4. Front. Plant Sci. 15:1355941. doi: 10.3389/fpls.2024.1355941. المقال الكامل