Machine Learning for Detection and Severity Estimation of Sweetpotato Weevil Damage in Field and Lab Conditions

ملخص تقني: تعلم الآلة للكشف عن أضرار سوس البطاطا الحلوة وتقدير شدتها

بيان المشكلة
تعد سوسة البطاطا الحلوة (Cylas spp.) آفة مدمرة رئيسية في أفريقيا جنوب الصحراء الكبرى، حيث يمكن أن تتسبب في خسائر في المحصول تصل إلى 100% وتجعل الجذور غير صالحة للاستهلاك. تعتمد برامج التربية الحالية على التنميط الظاهري اليدوي لتحديد الأنماط الجينية المقاومة. في البيئات الميدانية، يستخدم الخبراء مقياس تسجيل بصري ذاتي يتراوح من 1 إلى 9، بينما تتضمن التقييمات المختبرية عداً يدوياً مجهداً لثقوب التغذية. هذه الطرق التقليدية تستغرق وقتاً طويلاً، وتفتقر للاتساق، وعرضة للتحيز البشري، مما يخلق اختناقات في تطوير أصناف البطاطا الحلوة المرنة. تعالج هذه الدراسة الحاجة إلى أدوات تقييم مؤتمتة، وموضوعية، وقابلة للتوسع لتسريع سير عمل برامج التربية.

المنهجية
يقترح البحث مسار رؤية حاسوبية مزدوج السياق لكل من البيئات الميدانية والمختبرية، باستخدام الشبكات العصبية الالتفافية (CNNs) وبنيات كشف الأشياء.

• التقييم الميداني (تصنيف الشدة):

  • جمع البيانات: تم التقاط الصور ومقاطع الفيديو من أربعة مواقع زراعية في أوغندا عبر موسمين. قام الخبراء بتعيين درجات الشدة بناءً على مقياس معدل مكون من 5 نقاط (1، 3، 5، 7، 9) يمثل نسبة الجذور المتضررة.
  • المعالجة المسبقة: تم ضبط نموذج تجزئة YOLO11 (بمعدل mAP بلغ 92.5%) لعزل الجذور عن الضوضاء الخلفية. تم موازنة مجموعة البيانات عن طريق استخراج إطارات من مقاطع الفيديو وتقليل العينات للفئات المفرطة في التمثيل، مما نتج عنه 636 قطعة أرض (788 صورة).
  • بنية النموذج: تم تنفيذ بنية ResNet-50 مزدوجة المدخلات لمعالجة الرؤى المتعامدة المزدوجة (العلوية والسفلية) لقطاعات الجذور. قام النموذج بدمج ناقلات الميزات (feature vectors) ذات الأبعاد 2048 من عمودين فقريين لتكوين تمثيل بأبعاد 4096، متبوعاً بطبقات متصلة بالكامل مع إسقاط (dropout). كما تم اختبار نموذج VGG16 ثانوي لكنه كان أقل أداءً.
  • التدريب: تم تدريب النموذج لمدة 20 حقبة (epoch) باستخدام مُحسّن Adam مع حجم دفعة (batch size) قدره 16.

• التقييم المختبري (تكميم الضرر):

  • الإعداد التجريبي: تعرضت الجذور لإصابات محكومة بالسوس (5-10 بالغين لمدة 24 ساعة) وتم تصويرها تحت إضاءة معيارية.
  • المعالجة المسبقة:
    1. التجزئة: قام نموذج تجزئة YOLO11 (بمعدل mAP بلغ 98%) بعزل مناطق الجذور عن الخلفيات.
    2. تحويل التوصيف: تم تحويل التوصيفات القائمة على النقاط لثقوب التغذية إلى صناديق محيطة (bounding boxes) باستخدام توسيع حشوة قدره 18 بكسل.
    3. استراتيجية التجزئة (Tiling Strategy): لمعالجة تحدي اكتشاف الثقوب الدقيقة، تم استخدام إطار العمل SAHI (الاستدلال المعزز بالتقطيع)؛ حيث تم تقطيع الصور إلى بلاطات متداخلة بحجم 384×384 بكسل لتعزيز رؤية الأجسام الصغيرة.
  • اختيار النموذج: تم تقييم ثلاثة نماذج من أحدث نماذج كشف الأشياء: YOLO11-L، وYOLO12-L، وRTDETR2. تم تدريبها على مجموعة البيانات المقطعة لمدة 500 حقبة مع خاصية التوقف المبكر.

النتائج الرئيسية

• التصنيف الميداني: حقق نموذج ResNet-50 مزدوج المدخلات دقة اختبار بلغت 71.43%. تباين الأداء حسب الفئة:
  • الفئة 1 (لا يوجد ضرر): سجلت أعلى درجة F1 (0.72) مع استدعاء (recall) عالٍ (0.82)، مما يشير إلى قدرة قوية في تحديد القطاعات المقاومة.
  • الفئة 5 (ضرر شديد): سجلت أدنى استدعاء (0.45)، مما يشير إلى تكرار الخطأ في تصنيف الحالات الشديدة.
  • أنماط الارتباك: حدثت الأخطاء في التصنيف بشكل أساسي بين مستويات الشدة المتجاورة (مثل 1 مقابل 3، 5 مقابل 7)، ويرجع ذلك غالباً إلى الخصائص البصرية المتداخلة.
• الكشف المختبري: برز نموذج YOLO12-L كأفضل نموذج، محققاً متوسط دقة متوسطة (mAP@0.5) قدره 77.7%.
  • أظهر دقة متوازنة (0.715) واستدعاء (0.765).
  • أدى أداءً استثنائياً في الثقوب غير الفتاتية (m-AP@0.5: 0.826) والثقوب الفتاتية (m-AP@0.5: 0.728).
  • أظهر RTDETR2 دقة أعلى ولكن استدعاءً أقل، بينما كان أداء YOLO11 أقل من YOLO12.

الأهمية والادعاءات
يدعي البحث أن تقنيات الرؤية الحاسوبية يمكن أن توفر أدوات تقييم فعالة، وموضوعية، وقابلة للتوسع بما يتوافق مع سير عمل التربية المعاصر. وتوضح الدراسة أن:

1. الأتمتة ممكنة: يمكن للأنظمة المؤتمتة فحص الجينات المقاومة بفعالية في الحقل (استدعاء عالٍ للفئات ذات الضرر المنخفض) وتكميم الضرر في المختبر بدقة عالية.
2. الابتكار المنهجي: نجح الجمع بين تجزئة الجذور واستراتيجية التقطيع القائمة على SAHI في معالجة التحدي الخاص باكتشاف ثقوب التغذية الدقيقة التي غالباً ما تُفقد في الصور كاملة الدقة.
3. التطبيق العملي: رغم أنها ليست بديلاً كاملاً لخبرة البشر، إلا أن هذه الأدوات تعمل كنظم دعم قرار فعالة لتقليل الذاتية والجهد اليدوي. ويؤكد المؤلفون على إمكانية نشر النماذج خفيفة الوزن على أجهزة الحافة (مثل الهواتف الذكية) لدعم الفنيين الميدانيين.
4. توافر الموارد: ذكر المؤلفون أن مجموعات البيانات والتعليمات البرمجية ستكون متاحة للجمهور لدعم المزيد من الأبحاث في التنميط الظاهري للنباتات.

يحافظ المؤلفون على نبرة متواضعة، معترفين بالقيود مثل الفجوة في الأداء بين النتائج الميدانية والمخبرية، والإفراط في التخصيص (overfitting) في المصنف الميداني بسبب تباين البيانات، والعبء الحسابي لمسار العمل المختبري ذي المرحلتين. وهم يضعون هذا العمل كخطوة مهمة نحو تحسين كفاءة التنميط الظاهري بدلاً من اعتباره حلاً نهائياً مثالياً.