الذكاء البصري والتعلم العميق 5 ديسمبر 2025 مشروع منشور
Cashew Leaf Disease Classification

تصنيف صور زراعية بالتعلم النقلي

يطور هذا المشروع سير عمل تصنيف بصري للتعرف على حالات أوراق الكاجو بين فئات صحية ومرضية. يقارن عدة معماريات CNN مدربة مسبقًا، يستخدم وزن الفئات وaugmentation، ويقيّم الأداء بمقاييس على مستوى الفئات.

عرض الكود العودة للمشاريع
PythonPyTorchtimmEfficientNet-B0ResNet-18VGG-16DenseNet-121
شارك المشروع X LinkedIn Email

التحدي

  • تشخيص أمراض الأوراق يدويًا قد يكون بطيئًا وذاتيًا وغير متسق.
  • مجموعة البيانات غير متوازنة نسبيًا، إذ إن فئة Gummosis أصغر بكثير من بقية الفئات.
  • النتيجة القوية تحتاج تقييمًا على مستوى الفئات، وليس الدقة الإجمالية فقط.

تصميم النظام

صور أوراق5 فئات صحية/مرضية
تهيئة البياناتتقسيم وaugmentation
نماذج CNNEfficientNet · ResNet · VGG · DenseNet
تقييمدقة وmacro F1

البيانات والمدخلات

  • 6,549 صورة من مجموعة CCMT Cashew subset.
  • خمس فئات: Anthracnose وGummosis وLeaf Miner وRed Rust وHealthy.
  • تقسيم تدريب/تحقق/اختبار بنسبة 70/15/15 مع مدخلات 224 × 224.

المنهجية التقنية

  • استخدام stratified splitting للحفاظ على نسب الفئات عبر التدريب والتحقق والاختبار.
  • تغيير حجم الصور وتطبيعها باستخدام إحصاءات ImageNet.
  • استخدام augmentation مثل random resized crop وhorizontal flip وcolor jitter.
  • مقارنة EfficientNet-B0 وResNet-18 وVGG-16 وDenseNet-121 باستخدام weighted cross-entropy وearly stopping.

التقييم والنتائج

مؤشرات رئيسية

6,549 صورة ورقة

مؤشرات رئيسية

5 فئات مرضية/صحية

مؤشرات رئيسية

دقة EfficientNet-B0 = 98.58%

  • حقق EfficientNet-B0 بمعدل تعلم 3e-4 دقة اختبار 98.58% وmacro F1-score = 98.80%.
  • حقق EfficientNet-B0 بمعدل تعلم 1e-4 أداءً قويًا أيضًا بدقة 98.37%.
  • كانت ResNet-18 وDenseNet-121 منافسة لكنها أقل من أفضل إعداد EfficientNet-B0.
  • تركزت الأخطاء المتبقية غالبًا بين فئات مرضية متشابهة بصريًا مثل Anthracnose وLeaf Miner.

التنفيذ والكود

محور التنفيذ

يربط التنفيذ بين تجهيز البيانات، النمذجة، التقييم، وتفسير النتائج ضمن سير عمل منظم يوضح القرارات التقنية.

الكود المصدري

الكود متاح لاستكشاف تفاصيل التنفيذ وتوسيع التجربة عند الحاجة.

فتح الكود المصدري

نطاق المشروع والاستخدام المسؤول

هذا مشروع نمذجة وتقييم مركز. أي استخدام أوسع يحتاج تحققًا على بيانات إضافية، اختبارات متانة، مراقبة، وتقييمًا خاصًا بالسياق المقصود.

التطوير القادم

  • إضافة Grad-CAM أو طرق تفسير مشابهة.
  • تقييم MixUp وCutMix ومعماريات مناسبة للأجهزة الخفيفة.
  • اختبار سير العمل على صور ميدانية من مزارع وأجهزة وإضاءات مختلفة.

القيمة التقنية

يوضح المشروع كيفية تقييم الذكاء البصري تحت عدم توازن الفئات، ومقارنة المعماريات بعدل، وتفسير أداء التصنيف المرضي خارج رقم واحد للدقة.