plant-diseases-classification

وصف دقيق لمشروع تصنيف أمراض النباتات باستخدام MobileNetV2

الميزات الرئيسية للمشروع:

نموذج خفيف وسريع (MobileNet V2):

تم استخدام MobileNetV2، وهي بنية متقدمة للتعلم العميق تتميز بكفاءتها في الحساب مع الحفاظ على دقة عالية.

يعتمد النموذج على Depth wise Separable Convolutions مما يجعله مناسبًا للتشغيل على الأجهزة المحمولة والأنظمة المدمجة.

دقة عالية في التصنيف:

حقق النموذج دقة تدريب تصل إلى 99% ودقة اختبار 96%، مما يضمن موثوقيته في التمييز بين النباتات السليمة والمصابة.

تم تقييم النموذج باستخدام مقاييس متعددة مثل الدقة (Accuracy)، والاستدعاء (Recall)، والدقة التصنيفية (Precision)، وF1-Score.

معالجة متقدمة للبيانات:

تغيير حجم الصور وتوحيدها لضمان تناسق المدخلات.

زيادة البيانات (Data Augmentation) مثل التدوير، والقلب، وتعديل الإضاءة لتحسين قدرة النموذج على التعميم.

تقسيم البيانات إلى مجموعات تدريب، تحقق، واختبار لتجنب الانحياز (Over fitting ).

تدريب النموذج باستخدام TensorFlow/ Keras:

استخدام دالة الخسارة Categorical Crossentropy للتصنيف متعدد الفئات.

تحسين النموذج باستخدام مُحسّن Adam لضمان سرعة وكفاءة التعلم.

إمكانية النشر على أجهزة متنوعة (Deployment):

يمكن تحويل النموذج إلى TensorFlow Lite لتشغيله على الهواتف الذكية والأجهزة ذات الموارد المحدودة.

إمكانية دمجه في:

تطبيقات الهاتف المحمول لمسح أوراق النباتات وتشخيص الأمراض في الوقت الفعلي.

أنظمة الزراعة الذكية لتقديم نصائح للمزارعين بناءً على التشخيص.

الطائرات المسيرة (Drones) وأجهزة Iot لمراقبة الحقول آليًا.

فوائد عملية للقطاع الزراعي:

الكشف المبكر عن الأمراض مما يقلل الخسائر ويزيد المحاصيل.

توفير الوقت والجهد مقارنة بالتشخيص اليدوي.

دعم المزارعين غير الخبراء في تحديد الأمراض واتخاذ الإجراءات الوقائية.

الخلاصة:

هذا المشروع يقدم حلاً ذكياً وعملياً لتشخيص أمراض النباتات باستخدام الذكاء الاصطناعي، حيث يجمع بين الدقة العالية، السرعة، وإمكانية النشر على نطاق واسع، مما يجعله أداة فعالة لتحسين الإنتاج الزراعي ومكافحة الأمراض النباتية.