Key points are not available for this paper at this time.
يمكن أن تُعزى نسبة كبيرة من فقدان الإنتاج الزراعي إلى أمراض النباتات؛ يمكن أن يكون لفقدان العائد الزراعي عواقب بعيدة المدى على اقتصاد البلد ويساهم في انعدام الأمن الغذائي العالمي. يمكن أن تكون الاكتشاف المبكر لأمراض النباتات حاسمة في الحفاظ على الصحة والرفاهية العالمية. عادةً ما تُستخدم التقييمات البصرية من قِبل أخصائي علم الأمراض لإجراء تشخيص مبكر لأمراض النباتات. تتضمن هذه التقنية خبراء أو مزارعين يقومون بفحص النباتات بالعين المجردة وتصنيف المرض بناءً على خبراتهم السابقة. تتضمن هذه الطريقة التقليدية عيوب مثل تدني الدقة والحاجة إلى الخبرة البشرية. هذا يحفز الباحثين على التحقيق في الأنظمة الآلية للتشخيص المبكر لأمراض النباتات. لتحقيق هذا الهدف، يتم تقديم مجموعة من هياكل التعلم العميق المختلفة (DenseNet201، efficientNetB0، inceptionresnetV2، efficientNetB3) لزيادة دقة تصنيف أمراض أوراق النباتات. في هذا العمل، تُقترح تقنية جديدة لمعالجة الصور لزيادة كفاءة نماذج التعلم العميق. أيضًا، تُستخدم تقنية توازن البيانات لحل مشكلة مجموعة البيانات غير المتوازنة. تم تدريب واختبار خمسة نماذج مختلفة من التعلم العميق باستخدام أكبر مجموعة بيانات لأمراض النباتات؛ PlantVillage. تم اختبار عشرة مجموعات مختلفة (تم اختيارها عشوائيًا) من نماذج التعلم العميق ومقارنتها للعثور على المجموعة التي تحقق أعلى دقة. تمكن النموذج الجماعي المقترح من تحقيق دقة تقدر بـ 99.89% على مجموعة بيانات New PlantVillage. تعد PlantVillage مجموعة بيانات صعبة تحتوي على 38 فئة. إن تحقيق دقة عالية على مثل هذه المجموعة من البيانات يثبت قدرة النظام على التعميم على البيانات غير المرئية أو السيناريوهات الواقعية. تم إجراء مقارنة مع أحدث ما توصلت إليه الأبحاث مع نماذج أخرى متاحة من الأدبيات. تمت إضافة قسم حول ذلك لإظهار الأداء المتفوق للنموذج الجماعي المقترح من حيث الدقة ودرجة F1.
علي وآخرون (الأربعاء) درسوا هذا السؤال.