تمثل أمراض أوراق النباتات مخاطر كبيرة على الإنتاجية الزراعية. تعتمد عملية تشخيص أمراض الأوراق عادةً على الفحص اليدوي من قبل الخبراء، إلا أن هذه الطريقة غير فعّالة إلى حدٍ كبير ومعرضة للأخطاء. تقدم هذه الدراسة بنية جديدة قائمة على مخطط متوازي لشبكات التعلم العميق، تعتمد على التشغيل المتزامن لمصنّفات ثنائية مستقلة، حيث يختص كل مصنّف بالكشف عن مرض معين. تسهم هذه البنية في تحسين استخراج الخصائص مع الحفاظ على انخفاض التعقيد الحسابي، كما تضمن موثوقية النموذج وقابليته للنقل، مما يجعله مناسبًا للتطبيق على الأجهزة خفيفة الموارد مثل الهواتف المحمولة. بالإضافة إلى ذلك، تتميز البنية المقترحة بالمرونة وقابلية التوسع، حيث يمكن إضافة مصنّفات جديدة لأمراض محددة دون زيادة في تعقيد النظام.

تم تدريب النموذج باستخدام جزء من مجموعة بيانات PlantVillage، والتي تضمنت صورًا لمحاصيل الذرة والطماطم والتفاح، حيث يحتوي كل محصول على ثلاث فئات مرضية بالإضافة إلى الحالة السليمة، مع 513 صورة لكل فئة. تم استخدام تقنيات المعالجة المسبقة وزيادة البيانات لتحسين قدرة النموذج على التعميم. يحتوي هذا النموذج على 710,786 معاملًا فقط ويستهلك 1.327 جيجا فلوبس (GFLOPs).

تم استخدام صور حقلية حقيقية تم جمعها من البيئة الطبيعية لاختبار متانة النموذج؛ إلا أن الظروف البيئية وقلة توفر النباتات جعلت من الممكن التقاط 3–4 صور فقط لكل محصول باستخدام الهاتف المحمول، مما يجعل هذا التقييم أوليًا. وقد حقق نموذج Parallel-CNN دقة تصنيف عالية، حيث بلغت في الذرة: تبقع الأوراق السيركوسبوري 98.54%، الصدأ الشائع 100%، اللفحة الشمالية للأوراق 100%؛ وفي الطماطم: التبقع البكتيري 100%، اللفحة المبكرة 100%، اللفحة المتأخرة 98.54%؛ وفي التفاح: جرب التفاح 95.63%، العفن الأسود 100%، صدأ التفاح الأرزّي 100%.

تؤكد النتائج أن النموذج المقترح يوفر حلاً فعالًا وقابلًا للتوسع وعمليًا لمراقبة المحاصيل في الوقت الحقيقي، مما يدعم تطبيقات الزراعة الذكية.