التعلم العميق في الكشف المبكر عن أمراض المحاصيل الزراعية باستخدام معالجة الصور
م. سارة محمد العاني
الهندسة الزراعية / قسم علوم الغابات
جامعة الموصل – كلية الزراعة والغابات
sarah.alani@uomosul.edu.iq
12/06/2026
27/06/2026
يوليو 2026
Deep Learning for Early Detection of Crop Diseases Using Image Processing
Eng. Sarah Mohammed Al-Ani
Agricultural Engineering / Plant Protection and Smart Agriculture
University of Mosul – College of Agriculture and Forestry
sarah.alani@uomosul.edu.iq
12 June 2026
27 June 2026
July 2026
الملخص
يمثل الكشف المبكر عن أمراض المحاصيل الزراعية أحد أهم العوامل المؤثرة في تحسين الإنتاج الزراعي وتقليل الخسائر الاقتصادية الناتجة عن انتشار الأمراض النباتية. ومع التطور الكبير في تقنيات الذكاء الاصطناعي، أصبحت نماذج التعلم العميق أداة فعالة في تحليل الصور الزراعية واكتشاف الإصابات النباتية بدقة وسرعة تفوق أساليب الفحص التقليدية. ويهدف هذا البحث إلى دراسة دور تقنيات التعلم العميق في تشخيص أمراض المحاصيل الزراعية باستخدام معالجة الصور الرقمية، مع بيان أثرها في دعم الزراعة الذكية وتحسين كفاءة اتخاذ القرار الزراعي.
يركز البحث على استخدام الشبكات العصبية الالتفافية (Convolutional Neural Networks – CNN) لتحليل صور الأوراق والسيقان والثمار، واستخراج الخصائص البصرية المرتبطة بالأمراض النباتية، مثل تغير اللون، وظهور البقع، والتشوهات السطحية. كما يستعرض البحث مراحل بناء نماذج التعلم العميق، ابتداءً من جمع البيانات وتصنيفها، مروراً بعمليات التدريب والاختبار، وصولاً إلى تقييم أداء النموذج باستخدام مؤشرات الدقة والاستدعاء ومعامل F1. وتتناول الدراسة كذلك دور الكاميرات الذكية والطائرات المسيّرة في جمع صور عالية الدقة من الحقول الزراعية، مما يسمح بالكشف المبكر عن الإصابات قبل انتشارها.
وتشير نتائج الدراسات الحديثة إلى أن نماذج التعلم العميق تحقق نسب دقة تتجاوز 95% في التعرف على العديد من أمراض المحاصيل الزراعية، الأمر الذي يسهم في تقليل استخدام المبيدات الكيميائية، وخفض تكاليف الإنتاج، وتحسين جودة المحاصيل. كما يناقش البحث التحديات المرتبطة بتوفير قواعد بيانات متنوعة، وتأثير الظروف البيئية في جودة الصور، وسبل تطوير نماذج أكثر قدرة على التكيف مع البيئات الزراعية المختلفة.
وتخلص الدراسة إلى أن دمج التعلم العميق مع تقنيات معالجة الصور يمثل خطوة أساسية نحو بناء أنظمة زراعية ذكية تعتمد على التشخيص الآلي، وتدعم الاستخدام المستدام للموارد الزراعية، وتسهم في تعزيز الأمن الغذائي ومواجهة التحديات المستقبلية في القطاع الزراعي.
الكلمات المفتاحية
التعلم العميق، معالجة الصور، أمراض المحاصيل، الهندسة الزراعية، الذكاء الاصطناعي، الزراعة الذكية، الشبكات العصبية الالتفافية.
Abstract
Early detection of crop diseases is one of the most important factors influencing agricultural productivity and reducing economic losses caused by plant diseases. With the rapid advancement of artificial intelligence technologies, deep learning models have become highly effective tools for analyzing agricultural images and identifying plant diseases with greater speed and accuracy than conventional inspection methods. This research investigates the role of deep learning techniques in diagnosing crop diseases through digital image processing and examines their contribution to smart agriculture and precision farming.
The study focuses on the application of Convolutional Neural Networks (CNNs) for analyzing images of leaves, stems, and fruits to identify visual symptoms associated with plant diseases, including color changes, lesions, and surface deformities. It discusses the complete development process of deep learning models, including data acquisition, image labeling, model training, validation, and performance evaluation using accuracy, precision, recall, and F1-score metrics. The research also highlights the integration of smart cameras and unmanned aerial vehicles (UAVs) for capturing high-resolution field images, enabling early disease detection before widespread infection occurs.
Recent studies demonstrate that deep learning models can achieve classification accuracies exceeding 95% for several major crop diseases. Such performance contributes to reducing pesticide usage, lowering production costs, improving crop quality, and increasing agricultural sustainability. The paper further addresses current challenges, including the need for diverse image datasets, environmental variations affecting image quality, and the development of robust AI models adaptable to different agricultural environments.
The study concludes that integrating deep learning with digital image processing is a fundamental step toward autonomous crop monitoring systems capable of supporting precision agriculture, sustainable farming practices, and global food security.
Keywords
Deep Learning, Image Processing, Crop Diseases, Agricultural Engineering, Artificial Intelligence, Smart Agriculture, Convolutional Neural Networks (CNN).