رویکردهای هوش مصنوعی برای شناسایی بیماری‌های پنبه: مروری بر مطالعات سیستماتیک با استفاده از بیوتکنولوژی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند.

2 گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند

10.22103/jab.2025.23994.1602

چکیده

هدف: پنبه یک الیاف برجسته است که بخش‌های صنعتی و کشاورزی در سراسر جهان را کنترل می‌کند. پنبه یک ماده اساسی است که در ساخت منسوجات استفاده می‌شود. تشخیص زودهنگام بیماری‌های روی برگ‌های پنبه برای پیشگیری از آنها و افزایش بهره‌وری ضروری است. ردیابی بیماری‌های برگ پنبه و ارزیابی سلامت گیاه برای کشاورزانی که صرفاً بر تخصص و دانش ذهنی خود متکی هستند چالش برانگیز است. علاوه بر این، شبکه‌های عصبی مصنوعی برای کاهش محدودیت‌های روش‌های سنتی پیشنهاد شده‌اند و می‌توانند برای مدیریت داده‌های غیرخطی و پیچیده، حتی زمانی که داده‌ها نادقیق و نویز هستند، استفاده شوند. داده های کشاورزی می توانند بسیار بزرگ و پیچیده باشند که از طریق تجزیه و تحلیل بصری یا همبستگی های آماری قابل رسیدگی نباشد. این امر استفاده از هوش ماشینی یا هوش مصنوعی را تشویق کرده است. هدف این مطالعه تشخیص بیماری‌ها و بهبود کشت پنبه با استفاده از روش‌های هوش مصنوعی (AI) بود.
نتایج: یافته‌های مطالعه نشان می‌دهد که روش‌های تشخیص خودکار فعلی برای بیماری‌های محصول پنبه هنوز در مراحل اولیه توسعه خود با بیوتکنولوژی و هوش مصنوعی (AI) هستند. این بررسی نیاز به توسعه ابزارهای تشخیصی خودکار، مقرون‌به‌صرفه، قابل اعتماد، دقیق و سریع را برای تشخیص بیماری‌های برگ پنبه برای افزایش بازده و کیفیت تأیید می‌کند.
نتیجه‌گیری: این مقاله چندین تکنیک محاسباتی مورد استفاده در مراحل مختلف ساختارهای بیماری‌زای گیاهی، از جمله آماده‌سازی تصویر، تقسیم‌بندی، استخراج ویژگی‌ها و انتخاب، و طبقه‌بندی را تحلیل می‌کند. این مطالعه مسیرها و مناطق معتبر آینده را برای اکتشاف بیشتر شناسایی کرد. برای شناسایی و دسته‌بندی بیماری‌های مختلف در محصولات پنبه به روش‌های نوآورانه و کاملاً خودکار به کمک رایانه نیاز است.

کلیدواژه‌ها

عنوان مقاله [English]

Artificial intelligence approaches for cotton diseases identification: a systematic literature review using biotechnology

نویسندگان [English]

  • Manish Nandy 1
  • Ahilya Dubey 2
1 Department of CS & IT, Kalinga University, Raipur, India.
2 Department of CS & IT, Kalinga University, Raipur, India.
چکیده [English]

Objective
Cotton is a prominent fiber that commands the worldwide industrial and agricultural sectors. Cotton is a fundamental material used in the creation of textiles. Diagnosing the diseases on cotton plants' leaves soon is essential to prevent them and enhance productivity. Tracking cotton leaf illnesses and assessing plant health is challenging for farmers who rely solely on their subjective expertise and knowledge. Moreover, Artificial neural networks have been proposed to alleviate limitation of traditional methods and can be used to handle nonlinear and complex data, even when the data is imprecise and noisy. Agricultural data can be too large and complex to handle through visual analysis or statistical correlations. This has encouraged the use of machine intelligence or artificial intelligence The objective of this study was to diagnose diseases and improve the cultivation of cotton using Artificial Intelligence (AI) methods.

Results
The study findings indicate that the current automated detection approaches for cotton crop illnesses are still in their early stages of development with biotechnology and Artificial Intelligence (AI). This review acknowledges the need to develop automated, cost-effective, dependable, precise, and swift diagnostic tools for detecting cotton leaf diseases to enhance output and quality.


Conclusions
This paper analyzes the several computational techniques used at different phases of plant-pathogen structures, including image preparation, segmentation, extracting features and selecting, and categorization. The study identified valid future paths and areas for additional exploration. There is a need for innovative, fully automated computer-assisted methods to identify and categorize various illnesses in cotton crops.
.

کلیدواژه‌ها [English]

  • Artificial intelligence
  • biotechnology
  • cotton crop
  • cotton diseases

مراجع

Angin P, Anisi MH, Göksel F, et al. (2020) Agrilora: a digital twin framework for smart agriculture. J Wirel Mob Netw Ubiquitous Comput Dependable Appl 11(4), 77-96.
Basavaiah J, Arlene Anthony A (2020) Tomato leaf disease classification using multiple feature extraction techniques. Wirel Pers Commun 115(1), 633-651.
Camgözlü Y, Kutlu Y (2023) Leaf Image Classification Based on Pre-trained Convolutional Neural Network Models. Nat Eng Sci 8(3), 214-232.
Deguine JP, Aubertot JN, Flor RJ, et al. (2021) Integrated pest management: good intentions, hard realities. A review. Agron Sustain Dev 41(3), e38.
Dhiman P, Kaur A, Balasaraswathi VR, et al. (2023) Image acquisition, preprocessing and classification of citrus fruit diseases: A systematic literature review. Sustainability 15(12), e9643.
Divyanth LG, Ahmad A, Saraswat D (2023) A two-stage deep-learning-based segmentation model for crop disease quantification based on corn field imagery. Smart Agric Technol 3, e100108.
Dong Y, Fu Z, Stankovski S, et al. (2021) A cotton disease diagnosis method using a combined algorithm of case-based reasoning and fuzzy logic. Comput J 64(2), 155-168.
Ghotbaldini H, Mohammadabadi MR, Nezamabadi-pour H et al. (2019) Predicting breeding value of body weight at 6-month age using Artificial Neural Networks in Kermani sheep breed. Acta Scientiarum Anim Sci 41, e45282.
Gladkov EA, Gladkova OV (2021) Plants and Maximum Permissible Concentrations of Heavy Metals in Soil. Arch Tech Sci 2(25), 77-82.
Huang G, Huang JQ, Chen XY, Zhu YX (2021) Recent advances and future perspectives in cotton research. Annu Rev Plant Biol 72(1), 437-462.
Karthika J, Santhosh M, Sharan T (2021) Disease detection in cotton leaf spot using image processing. J Phys Conf Ser 1916(1), e012224.
Kumar NA, Sathish Kumar S (2022) Deep learning-based image preprocessing techniques for crop disease identification. Futur Commun Netw Technol: Sel Proc VICFCNT  2020, 1-10.
Mao C, Meng W, Shi C, et al. (2020) A Crop Disease Image Recognition Algorithm Based on Feature Extraction and Image Segmentation. Trait Signal 37(2), 341-346.
Mohammadabadi M, Kheyrodin H, Afanasenko V, et al. (2024) The role of artificial intelligence in genomics. Agric Biotechnol J 16(2), 195-279.
Mohiddin SK, Sharmila S & Sharma V (2024) Tools and framework for cyber-physical agricultural systems. Agri 4.0 Cyber-Phys Agric Syst 37-53.
Mumtaj Begum H (2022) Scientometric Analysis of the Research Paper Output on Artificial Intelligence: A Study. Indian J Inform Sourc Serv 12(1), 52-58.
Orchi H, Sadik M, Khaldoun M (2021) On using artificial intelligence and the internet of things for crop disease detection: A contemporary survey. Agriculture 12(1), e9.
Pour Hamidi S, Mohammadabadi MR, Asadi Foozi M, Nezamabadi-pour H (2017) Prediction of breeding values for the milk production trait in Iranian Holstein cows applying artificial neural networks. J Livestock Sci Technol 5(2), 53-61.
Radhika A, Masood MS (2022) Crop Yield Prediction by Integrating Et-DP Dimensionality Reduction and ABP-XGBOOST Technique. J Internet Serv Inf Secur 12(4), 177-196.
Sakkarvarthi G, Sathianesan GW, Murugan VS, et al. (2022) Detection and classification of tomato crop disease using convolutional neural network. Electron 11(21), e3618.
Sharma P, Hans P, Gupta SC (2020) Classification of plant leaf diseases using machine learning and image preprocessing techniques. In 10th Int Conf Cloud Comput Data Sci Eng IEEE, 480-484.
Steinwand MA, Ronald PC (2020) Crop biotechnology and the future of food. Nat Food 1(5), 273-283.
Surendar A, Veerappan S, Sindhu S, Arvinth N (2024) A Bibliometric Study of Publication-Citations in a Range of Journal Articles. Indian J Inf Sources Serv 14(2), 97-103.
Thaiyalnayaki K & Joseph C (2021) Classification of plant disease using SVM and deep learning. Mater Today Proc 47, 468-470.
Vasconcelos GJQ, Costa GSR, Spina TV, Pedrini H (2023) Low-cost robot for agricultural image data acquisition. Agriculture 13(2), 413.
Verma G, Meesala SK (2022) Fuzzy-Neuro Model for Brinjal Disease Recognition Using Image Processing. NeuroQuantol 20(9), 3225-3236.
Vishnoi VK, Kumar K, Kumar B (2022) A comprehensive study of feature extraction techniques for plant leaf disease detection. Multimedia Tools Appl 81(1), 367-419.
Xiong Y, Liang L, Wang L, et al. (2020) Identification of cash crop diseases using automatic image segmentation algorithm and deep learning with expanded dataset. Comput Electron Agric 177, e105712.
Yağız E, Ozyilmaz G, Ozyilmaz AT (2022) Optimization of graphite-mineral oil ratio with response surface methodology in glucose oxidase-based carbon paste electrode design. Nat Eng Sci 7(1), 22-33.
Yu H, Liu J, Chen C, Heidari AA, et al. (2021) Corn leaf diseases diagnosis based on K-means clustering and deep learning. IEEE Access 9, 143824-143835.
مجله بیوتکنولوژی کشاورزی
دوره 16، شماره 4
دی 1403
صفحه 251-264

فایل ها

هم رسانی

ارجاع به این مقاله

آمار