تُعتبر القطن واحدة من المحاصيل الزراعية التي تساهم بشكل كبير في الاقتصاد العالمي، حيث يعتمد قطاع النسيج بشكل كبير عليها. لذا، فإن تحديد وتصنيف أمراض أوراق القطن يعد أمراً أساسياً للحفاظ على الاستقرار الاقتصادي للمزارعين. في هذا السياق، تم تطوير إطار عمل مبتكر يُعرف باسم "CottonLeafVision"، الذي يهدف إلى تصنيف واكتشاف أمراض أوراق القطن بدقة عالية.

استند هذا المشروع إلى تقييم عدة نماذج من الشبكات العصبية التلافيفية العميقة (Deep Convolutional Neural Networks)، بما في ذلك DenseNet201 و InceptionV3 و VGG19، وذلك باستخدام مجموعة بيانات صور متاحة للجمهور تتضمن سبع فئات، ست منها تمثل أمراضاً مختلفة وأخرى تشير إلى الأوراق السليمة. تم جمع هذه البيانات تحت ظروف حقلية متنوعة تعكس التحديات الحقيقية التي يواجهها المزارعون.

بفضل نموذج DenseNet201، تم تحقيق دقة في التصنيف بلغت 98%، مما يمثل إنجازاً كبيراً في هذا المجال. ولتعزيز موثوقية النموذج وقابليته للتفسير، تم تنفيذ تقنيات مثل رسم خريطة التنشيط المتوزنة (Gradient-weighted Class Activation Mapping) وتحليل الحساسية للاحتباس، بالإضافة إلى التدريب المعادي لتحسين قدرة النموذج على مقاومة الضوضاء.

ختاماً، قام الباحثون بتطوير نموذج أولي لاستخدام قدرات هذا النموذج في الزراعة الواقعية، مما يعكس قدرة التعلم العميق على تصنيف الأمراض في ممارسات إدارة الأمراض الزراعية الحقيقية. إن هذا الإطار يُعد خطوة كبيرة نحو تحسين الإنتاجية الزراعية وتحقيق فوائد اقتصادية للمزارعين حول العالم.