ارزیابی مدل‌های یادگیری عمیق مبتنی بر مبدل برای طبقه‌بندی بیماری‌های برگی ذرت در شرایط واقعی مزرعه: مطالعه موردی استان قندهار، افغانستان

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

رفیع‌اله رفیع ¹

علیرضا سلیمانی پور ²

عباس رضایی اصل ²

¹ گروه مهندسی کشاورزی، دانشکده علوم گیاهی، پوهنتون ملی علوم کشاورزی و تکنولوژی افغانستان (ANASTU)، قندهار، افعانستان

² گروه مهندسی مکانیک بیوسیستم، دانشکده آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

https://doi.org/10.22067/jam.2026.97474.1465

چکیده

شناسایی دقیق و به‌موقع بیماری برگ ذرت (.Zea mays L) برای بهبود بهره‌وری محصول و اطمینان از امنیت غذایی امری ضروی است. این مطالعه به بررسی عملکرد مدل‌های یادگیری عمیق مبتنی بر مبدل در شناسایی خودکار بیماری‌های برگ ذرت با استفاده از یک مجموعه داده جمع‌آوری‌شده از مزارع ذرت استان قندهار افغانستان پرداخته است. مجموعه داده تحت شرایط طبیعی مزرعه جمع‌آوری شد و پس زمینه پیچیده برگ، نورپردازی متغیر در طول روز و جهت‌گیری مختلف برگ باعث شد تا محیط واقعی مزرعه حفظ شود. چندین معماری پیشرفته یادگیری عمیق مبتنی بر مبدل مورد ارزیابی قرار گرفت. این معماری‌ها شامل مبدل بینایی (ViT)، مبدل بینایی چندمحوره مرکب (Max-Vit-Tiny، MaxViT-small و MaxViT-base) بودند. نتایج با برخی مدل‌های سنگین یاگیری عمیق مبتنی بر شبکه کانولوشنی EfficientNet (شامل نسخه‌های B5، B6 و B7) مقایسه شدند. نتایج نشان داد که مدل‌های مبتنی بر مبدل، همانند مدل‌های مبتنی بر CNN، عملکردی قابل‌اتکا (دقت بالای 97%) در محیط‌های چالش‌برانگیر مزرعه‌ای دارند. در بین مدل‌های ارزیابی‌شده، مدل EfficientNet-B7، ViT و MaxViT_tiny با صحت تشخیص 97% بهترین عملکرد را داشتند، درحالی‌که مدل MaxVit_tiny بالاترین دقت را ثبت کرد (0.9741). این مورد نشان‌دهنده ظرفیت عمومی‌سازی بالای این مدل‌هاست. خطاهای تشخیص عمدتا بین آن‌دسته از کلاس‌های بیماری مشاهده شد که شباهت بصری زیادی با هم داشتند. درحالی‌که دقت و حساسیت کلی مدل‌ها به‌طورپیوسته بالا بود. این یافته‌ها اثرگذاری معماری‌های مرکب و مبتنی بر توجه در کابردهای شرایط واقعی برای شناسایی بیماری ذرت را تایید می‌کند و نشان‌دهنده پایایی آن‌ها در سامانه‌های کشاورزی دقیق است.

کلیدواژه‌ها

EfficientNet

Max-ViT

Vit

بیماری برگ ذرت

داده مزرعه

موضوعات

• کشاورزی دیجیتال، هوشمند و دقیق

---

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Ahmadi, I. (2025). Detection and Classification of Some Diseases of Tomato Crops Using Transfer Learning. Journal of Agricultural Machinery, 15(3), 319-335. https://doi.org/10.22067/jam.2024.88500.1258
2. Alshammari, H., Gasmi, K., Ltaifa, I. Ben, Krichen, M., Ammar, L. Ben, & Mahmood, M. A. (2022). Olive Disease Classification Based on Vision Transformer and CNN Models. Computational Intelligence and Neuroscience, 2022, 1-11. https://doi.org/10.1155/2022/3998193
3. Amin, H., Darwish, A., Hassanien, A. E., & Soliman, M. (2022). End-to-End Deep Learning Model for Corn Leaf Disease Classification. IEEE Access, 10, 31103-31115. https://doi.org/10.1109/ACCESS.2022.3159678
4. Attallah, O. (2023). Tomato leaf disease classification via compact convolutional neural networks with transfer learning and feature selection. Horticulturae, 9(2), 149. https://doi.org/10.3390/horticulturae9020149
5. Bruns, H. A. (2017). Southern Corn Leaf Blight: A Story Worth Retelling. Agronomy Journal, 109(4), 1218-1224. https://doi.org/10.2134/agronj2017.01.0006
6. Chang, J., Wei, S., Liu, Y., Zhao, Z., & Shi, J. (2025). Harnessing Genetic Resistance in Maize and Integrated Rust Management Strategies to Combat Southern Corn Rust. Journal of Fungi, 11(1), 41. https://doi.org/10.3390/jof11010041
7. Dai, D., Xia, P., Zhu, Z., & Che, H. (2023). MTDL-EPDCLD: A Multi-Task Deep-Learning-Based System for Enhanced Precision Detection and Diagnosis of Corn Leaf Diseases. Plants, 12(13), 2433. https://doi.org/10.3390/plants12132433
8. Dhaka, V. S., Meena, S. V., Rani, G., Sinwar, D., Kavita, K., Ijaz, M. F., & Woźniak, M. (2021). A Survey of Deep Convolutional Neural Networks Applied for Prediction of Plant Leaf Diseases. Sensors, 21(14), 4749. https://doi.org/10.3390/s21144749
9. El Sakka, M., Mothe, J., & Ivanovici, M. (2024). Images and CNN applications in smart agriculture. In European Journal of Remote Sensing, 57(1), 1-30. Taylor & Francis. https://doi.org/10.1080/22797254.2024.2352386
10. Eli-Chukwu, N. C. (2019). Applications of Artificial Intelligence in Agriculture: A Review. Engineering, Technology & Applied Science Research, 9(4), 4377-4383. https://doi.org/10.48084/etasr.2756
11. Entuni, C. J., & Zulcaffle, T. M. A. (2022). Identification of Corn Leaf Diseases Comprising of Blight, Grey Spot and Rust Using DenseNet-201. Borneo Journal of Resource Science and Technology, 12(1), 125-134. https://doi.org/10.33736/bjrst.4224.2022
12. Fraiwan, M., Faouri, E., & Khasawneh, N. (2022). Classification of Corn Diseases from Leaf Images Using Deep Transfer Learning. Plants, 11(20), 1-14. https://doi.org/10.3390/plants11202668
13. Idress, K. A. D., Gadalla, O. A. A., Öztekin, Y. B., & Baitu, G. P. (2024). Machine Learning-based for Automatic Detection of Corn-Plant Diseases Using Image Processing. Tarım Bilimleri Dergisi, 30(3), 464-476. https://doi.org/10.15832/ankutbd.1288298
14. Jain, S., Sahni, R., Khargonkar, T., Gupta, H., Verma, O. P., Sharma, T. K., Bhardwaj, T., Agarwal, S., & Kim, H. (2022). Automatic Rice Disease Detection and Assistance Framework Using Deep Learning and a Chatbot. Electronics (Switzerland), 11(14), 2110. https://doi.org/10.3390/electronics11142110
15. Jaiswal, M., Nagwanshi, K. K., Kumar, R., Gaurav, S., & Watti, Y. (2024). Classification of Plant Disease using a State-of-the Art Deep learning Algorithm on a Tesla GPU. International Journal of Computing, 240-246. https://doi.org/10.47839/ijc.23.2.3542
16. Keerthivasan, M., Kokilavani, S., Shanthi, M., Dheebakaran, G., Selvi, R. P., Murugan, M., ..., & Kumar, M. S. (2026). Machine Learning for Detection of Pests in Tomato: A Review. Journal of Agricultural Machinery, 16(1), 223-244. https://doi.org/10.22067/jam.2025.90762.1314
17. Koroshi Talab, H., Mohammad Zamani, D., & Gholami Par-Shokohi, M. (2025). Diagnosis and Classification of Two Common Potato Leaf Diseases (Early Blight and Late Blight) Using Image Processing and Machine Learning. Journal of Agricultural Machinery, 15(1), 65-79. https://doi.org/10.22067/jam.2024.86571.1226
18. Ma, Z., Wang, Y., Zhang, T., Wang, H., Jia, Y., Gao, R., & Su, Z. (2022). Maize leaf disease identification using deep transfer convolutional neural networks. International Journal of Agricultural and Biological Engineering, 15(5), 187-195. https://doi.org/10.25165/j.ijabe.20221505.6658
19. Masood, M., Nawaz, M., Nazir, T., Javed, A., Alkanhel, R., Elmannai, H., Dhahbi, S., & Bourouis, S. (2023). MaizeNet: A Deep Learning Approach for Effective Recognition of Maize Plant Leaf Diseases. IEEE Access, 11, 52862-52876. https://doi.org/10.1109/ACCESS.2023.3280260
20. Naderi Beni, A. N., Bagherpour, H., & Parian, J. A. (2024). Development and Optimization of a Novel Deep Learning Model for Diagnosis of Quince Leaf Diseases. Journal of Agricultural Machinery, 14(4), 445-458. https://doi.org/10.22067/jam.2024.88013.1248
21. Nishankar, S., Pavindran, V., Mithuran, T., Nimishan, S., Thuseethan, S., & Sebastian, Y. (2025). ViT-RoT: Vision Transformer-Based Robust Framework for Tomato Leaf Disease Recognition. AgriEngineering, 7(6), 185. https://doi.org/10.3390/agriengineering7060185
22. Pacal, I., & Işık, G. (2025). Utilizing convolutional neural networks and vision transformers for precise corn leaf disease identification. Neural Computing and Applications, 37(4), 2479-2496. https://doi.org/10.1007/s00521-024-10769-z
23. Panigrahi, K. P., Das, H., Sahoo, A. K., & Moharana, S. C. (2020). Maize Leaf Disease Detection and Classification Using Machine Learning Algorithms. Advances in Intelligent Systems and Computing, 1119(January), 659-669. https://doi.org/10.1007/978-981-15-2414-1_66
24. Pranta, A. S. U. K., Fardin, H., Debnath, J., Hossain, A., Sakib, A. H., Ahmed, M. R., Haque, R., Reza, A. W., & Dewan, M. A. A. (2025). A Novel MaxViT Model for Accelerated and Precise Soybean Leaf and Seed Disease Identification. Computers, 14(5), 197. https://doi.org/10.3390/computers14050197
25. Rajeena, P. P. F., Su, A., Moustafa, M. A., & Ali, M. A. S. (2023). Detecting Plant Disease in Corn Leaf Using EfficientNet Architecture—An Analytical Approach. Electronics, 12(8), 1938. https://doi.org/10.3390/electronics12081938
26. Rashid, R., Aslam, W., Aziz, R., & Aldehim, G. (2024). An Early and Smart Detection of Corn Plant Leaf Diseases Using IoT and Deep Learning Multi-Models. IEEE Access, 12(January), 23149-23162. https://doi.org/10.1109/ACCESS.2024.3357099
27. Ren, T., Zhang, Y., & Wang, C. (2019, September). Identification of corn leaf disease based on image processing. In 2019 2nd International Conference on Information Systems and Computer Aided Education (ICISCAE)(pp. 165-168). IEEE. https://doi.org/10.1109/ICISCAE48440.2019.221610
28. Setiawan, W., Rochman, E. M. S., Satoto, B. D., & Rachmad, A. (2022). Machine Learning and Deep Learning for Maize Leaf Disease Classification: A Review. Journal of Physics: Conference Series, 2406(1), 1-11. https://doi.org/10.1088/1742-6596/2406/1/012019
29. Shamloo, R., Soleimanipour, A., & Rezaei Asl, A. (2025). Biosystems Engineering and Renewable Energies Weeds detection in saffron fields using an improved YOLO v5 model. Biosystems Engineering and Renewable Energies, 1(1), 44-50. https://doi.org/10.22069/bere.2025.23036.1010
30. Sopialena, S., Suyadi, S., & Noor, S. A. (2022). Ecosystem Monitoring on Leaves of Leaf Rust Disease of Maize (Zea mays ). Caraka Tani: Journal of Sustainable Agriculture, 37(1), 89. https://doi.org/10.20961/carakatani.v37i1.34920
31. Tu, Z., Talebi, H., Zhang, H., Yang, F., Milanfar, P., Bovik, A., & Li, Y. (2022). MaxViT: Multi-axis Vision Transformer. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): Vol. 13684 LNCS (pp. 459–479). Springer Science and Business Media Deutschland GmbH. https://doi.org/10.1007/978-3-031-20053-3_27
32. Ullah, W., Javed, K., Khan, M. A., Alghayadh, F. Y., Bhatt, M. W., Al Naimi, I. S., & Ofori, I. (2024). Efficient identification and classification of apple leaf diseases using lightweight vision transformer (ViT). Discover Sustainability, 5(1), 116. https://doi.org/10.1007/s43621-024-00307-1
33. Waheed, A., Goyal, M., Gupta, D., Khanna, A., Hassanien, A. E., & Pandey, H. M. (2020). An optimized dense convolutional neural network model for disease recognition and classification in corn leaf. Computers and Electronics in Agriculture, 175, 105456. https://doi.org/10.1016/j.compag.2020.105456
34. Yang, S., Yao, J., & Teng, G. (2024). Corn Leaf Spot Disease Recognition Based on Improved YOLOv8. Agriculture (Switzerland), 14(5), 666. https://doi.org/10.3390/agriculture14050666