MatchPlant: An Open-Source Pipeline for UAV-Based Single-Plant Detection and Data Extraction

تخيل أنك محقق يحاول حل لغز في حديقة شاسعة ومترامية الأطراف. ولكن بدلاً من السير عبر صفوف النباتات، أنت تقود طائرة بدون طيار (درون) صغيرة وعالية التقنية فوقها، وتلتقط آلاف الصور. هذا هو عالم التنميط الظاهري باستخدام الطائرات بدون طيار (UAV phenotyping): استخدام الدرون لالتقاط صور للمحاصيل حتى يتمكن العلماء من قياس مدى جودة نموها. والهدف هو العثور على "النباتات الخارقة" التي تنتج أكبر قدر من الغذاء أو تصمد بشكل أفضل، مما يساعد المزارعين على إطعام العالم بكفاءة أكبر.

ومع ذلك، فإن النظر إلى صورة ضخمة لحقل يشبه محاولة العثور على نملة معينة وسط كومة من الرمل؛ فالنباتات صغيرة، وتبدو متشابهة، ومتراصة بجانب بعضها البعض بشدة. ولحل هذه المشكلة، يستخدم العلماء "كشف الأشياء" (Object Detection)، وهو نوع من "العيون" الحاسوبية المدعومة بـ الذكاء الاصطناعي (AI). فكر في هذا الذاء الاصطناعي كأنه روبوت شديد الملاحظة يمكنه النظر إلى صورة ورسم مربع حول كل نبات، قائلاً: "هذا نبات ذرة!" و"وهذا نبات آخر!". لكن الجزء الصعب هنا هو أن الدرون يلتقط الصور من زاوية معينة، وعندما تقوم بتجميع هذه الصور لتكوين خريطة ضخمة (تسمى الخريطة التصحيحية أو الـ orthomosaic)، قد تتعرض النباتات للتمدد أو الانضغاط، مما يربك الروبوت. وإذا ارتبك الروبوت، فلن يتمكن من مساعدة المزارعين.

هنا يأتي دور أداة جديدة تسمى MatchPlant. إنها تشبه دليل تعليمات وصندوق أدوات ذكي ومفتوح المصدر يساعد العلماء على تعليم روبوتهم رؤية النباتات بوضوح، حتى عندما تكون الخريطة مربكة. أراد الباحثون وراء MatchPlant بناء نظام يمكن لأي شخص استخدامه، وليس فقط خبراء الكمبيوتر، للعثور على النباتات الفردية وقياس طولها وصحتها تلقائياً.

مسار MatchPlant: دليل الروبوت للحديقة

يقدم البحث MatchPlant، وهو مسار برمجيات مجاني ومعياري مصمم لتحويل صور الدرون إلى بيانات دقيقة حول النباتات الفردية. قام المؤلفون، الذين عملوا على محصول الذرة في حقل بحثي، ببناء هذا النظام لسد الفجوة بين تصوير الدرون عالي التقنية والواقع الفوضوي للزراعة. لم يقوموا ببناء برنامج واحد فحسب؛ بل بنوا خط إنتاج يتكون من محطات مختلفة، تؤدي كل منها وظيفة محددة، بحيث يمكن للمستخدمين اختيار الأدوات التي يحتاجونها.

المشكلة في الخرائط "المسطحة"
عادةً، عندما يستخدم العلماء صور الدرون، يقومون أولاً بتحويلها إلى خريطة مسطحة من الأعلى تسمى orthomosaic. تخيل التقاط صورة لسيارة لعبة من زاوية معينة، ثم محاولة تسطيح تلك الصورة على ورقة؛ قد تبدو العجلات مضغوطة، أو تبدو السيارة ممتدة. يجادل البحث بأن تدريب الكمبيوتر على التعرف على النباتات في هذه الخرائط "المسطحة" هو فكرة سيئة لأن التشويه يجعل النباتات تبدو غريبة.

حل MatchPlant: التدريب على الرؤية "الخام"
يتخذ MatchPlant نهجاً مختلفاً. فبدلاً من تعليم الكمبيوتر التعرف على الخريطة المسطحة والمضغوطة، فإنه يعلمه التعرف على النباتات في حالتها غير المشوهة—تماماً كما تظهر في صور الدرون الأصلية الخام.

1. الإعداد: يأخذ النظام صور الدرون الخام ويستخدم أداة تسمى OpenDroneMap لإنشاء شيئين: خريطة مسطحة (للموقع النهائي) ومجموعة من الصور "غير المشوهة" (لتعليم الكمبيوتر).
2. المعلم: يستخدم النظام نموذج ذكاء اصطناعي ذكي يسمى Faster R-CNN. فكر في هذا النموذج كطالب؛ حيث "يعرض" عليه الباحثون آلاف الأمثلة لنباتات الذرة في الصور غير المشوهة، ويرسمون مربعات حولها للقول: "هذا نبات".
3. الخدعة السحرية: بمجرد أن يتعلم الذكاء الاصطناعي شكل النبات في الصورة الخام، يقوم MatchPlant بخدعة ذكية؛ حيث يأخذ نتائج الذكاء الاصطناعي ويسقطها (projects) على الخريطة المسطحة من الأعلى. الأمر يشبه أخذ ملصق وضعه الروبوت على الصورة الخام ونقله بعناً إلى نفس الموقع بالضبط على الخريطة المسطحة، مع تصحيح كل عمليات التمدد أو الضغط. وهذا يضمن أن موقع النبات دقيق على الأرض.

ما مدى نجاح ذلك؟
اختبر الباحثون هذا النظام على حقل ذرة في ميزوري. قاموا بتشغيل الدرون فوق الحقل عندما كانت الذرة لا تزال صغيرة (بعد ثلاثة أو أربعة أسابيع من الزراعة).

• النتيجة: كان الذكاء الاصطناعي بارعاً جداً في العثور على النباتات. في مجموعة اختبار لصور لم يسبق له رؤيتها، حدد النباتات بشكل صحيح بـ متوسط دقة (AP) بلغ 85.9%. وهذا يعني أنه كان مصيباً في معظم الأوقات.
• تطابق الخريطة: عندما قاموا بإسقاط نتائج الذكاء الاصطناعي على الخريطة المسطحة، تم وضع 89.8% من النباتات بنجاح على الخريطة. والأفضل من ذلك، أن 87.5% من عمليات الوضع هذه كانت دقيقة للغاية لدرجة أنها تداخلت بشكل شبه مثالي مع المربعات التي رسمها الخبراء البشريون (وهي نتيجة تسمى تقاطع فوق الاتحاد، أو IoU، أكبر من 0.5).
• قياس النمو: لم يكتفِ النظام بالعثốt على النباتات فحسب، بل قام بقياسها أيضاً. فمن خلال النظر إلى المساحة داخل مربعات الذكاء الاصطناعي، قام بحساب طول النبات ومؤشر الاختلاف الخضري الطبيعي (NDVI)، وهو مقياس لمدى اخضرار وصحة النبات. وكانت الأرقام التي حصل عليها الكمبيوتر تتطابق بشكل وثيق جداً مع ما قاسه البشر يدوياً، مع درجة ارتباط (r) تتراوح بين 0.87 و 0.97. هذا تطابق قوي جداً، مما يشير إلى أن الكمبيوتر يمكن أن يكون موثوقاً بقدر الإنسان الذي يحمل شريط قياس.

لماذا يهم هذا؟
أكبر انتصار لـ MatchPlant هو أنه يوفر الوقت. في الدراسة، وجد الباحثون أنه بمجرد حصولهم على مواقع النباتات من الأسبوع الأول، كان بإمكانهم إعادة استخدام تلك المواقع نفسها للأسبوع الثاني. لم يكن عليهم رسم مربعات جديدة حول كل نبات مع نموه؛ بل كان النظام يقوم فقط بتحديث القياسات. هذه القدرة على "السفر عبر الزمن" تعني أن العلماء يمكنهم تتبع كيفية نمو النباتات بمرور الوقت دون القيام بساعات من العمل اليدوي المتكرر.

الحدود والمستقبل
يشير المؤلفون بحذر إلى أنه بينما يعمل النظام بشكل رائع مع الذرة الصغيرة، فقد يواجه صعوبة مع النباتات الصغيرة جداً (أقل من 32×32 بكسل في الصورة) أو إذا كانت الأرض غير مستوية للغاية. كما أشاروا إلى أن البرنامج يتطلب حالياً بعض المعرفة التقنية للإعداد، مثل تثبيت برامج كمبيوتر محددة. وهم يأملون في جعله أسهل في الاستخدام في المستقبل، ربما عن طريق تغليفه في تطبيق بسيط يمكن لأي شخص النقر عليه وتشغيله.

باختصار، MatchPlant هو مجموعة أدوات جديدة مفتوحة المصدر تساعد العلماء على استخدام الدرون لعد وقياس النباتات الفردية بدقة عالية. ومن خلال تدريب الذكاء الاصطناعي على الصور "الخام" ثم نقل النتائج بعناً إلى خريطة مسطحة، فإنه يتجنب التشويهات التي عادة ما تربك الرؤية الحاسوبية. إنه يشير إلى مستقبل حيث يمكن للمزارعين والباحثين تتبع نمو كل نبات في الحقل تلقائياً، مما يجعل مهمة إطعام العالم أكثر كفاءة وأقل اعتماداً على العمل اليدوي.