MyoVision: A Mobile Research Tool and NEATBoost-Attention Ensemble Framework for Real Time Chicken Breast Myopathy Detection
يقدم هذا البحث MyoVision، وهو إطار عمل متنقل منخفض التكلفة يستخدم الهواتف الذكية الاستهلاكية لالتقاط صور النفاذ الضوئي ونموذج تجميعي من نوع NEATBoost-Attention مُحسَّن بالارتقاء العصبي لتحقيق كشف دقيق وفوري وغير مدمر لاعتلالات عضلات صدر الدجاج، بما يضاهي أداء الأنظمة التصويرية الطيفية فائقة الطيف باهظة الثمن.
المؤلفون الأصليون:Chaitanya Pallerla, Siavash Mahmoudi, Dongyi Wang
تخيل أنك في متجر بقالة، وتمسك بعبوة من صدور الدجاج. تريد أن تعرف ما إذا كان اللحم بداخلها مثاليًا، أم أنه يحتوي على عيوب خفية مثل "الصدر الخشبي" (وهو لحم صلب وخشن) أو "لحم السباغيتي" (وهو لحم ليفي ومهروس). عادةً، سيتعين عليك قطع اللحم أو الاعتماد على عامل في المصنع ليقوم بالضغط عليه ويخمن الحالة. ولكن ماذا لو كان بإمكان هاتفك الذكي أن يعمل مثل جهاز أشعة إكس (X-ray) سحري ليرى ما بداخلها دون لمسها؟
هذا هو بالضبط موضوع هذه الورقة البحثية، "MyoVision". فهي تقدم طريقة جديدة لاستخدام هاتف ذكي عادي لاكتشاف عيوب لحم الدجاج، مدمجة مع "عقل حاسوبي" فائق الذكاء يتعلم كيفية تقديم أفضل التخمينات.
إليك التفاصيل بكلمات بسيطة:
1. المشكلة: العيوب "الخفية"
عيوب صدور الدجاج تشبه "التفاح الفاسد" داخل كيس من الفاكهة؛ لا يمكنك دائمًا رؤيتها من الخارج.
الصدر الخشبي (Woody Breast): تصبح العضلة صلبة وليفية، مثل قطعة الخشب.
لحم السباغيتي (Spaghetti Meat): تتفكك العضلة إلى خيوط، مثل السباغيتي المطبوخة.
المشكلة: حاليًا، تضطر المصانع لتوظيف أشخاص للضغط على كل قطعة صدر دجاج للتحقق منها. هذا الأمر مرهق، بطيء، ويؤدي إلى وقوع البشر في الأخطاء بسبب التعب. أما الآلات التي تقوم بالفحص آليًا فهي ضخمة، باهظة الثمن، وتعمل فقط في المختبرات المتطورة.
2. الحل: الهاتف الذكي الذي يعمل كـ "كشاف ضوئي"
قام الباحثون ببناء تطبيق يسمى MyoVision. فكر في الأمر كأنك تحول هاتفك إلى كشاف ضوئي عالي التقنية.
كيف يعمل: بدلاً من التقاط صورة عادية للدجاج، يقوم التطبيق بتسليط ضوء ساطع عبر اللحم (الإضاءة النافذة - transillumination) والتقاط صورة للضوء الخارج من الجانب الآخر.
التشبيه: تخيل أنك تمسك بقطعة من الزجاج الملون أمام الشمس؛ القطعة المثالية تسمة الضوء يمر عبرها بانتظام، أما القطعة التي بها شقوق أو مناطق سميكة فتغير شكل الضوء. يلتقط الهاتف هذه التغييرات الطفيفة في نمط الضوء.
السحر: على الرغم من أنه مجرد هاتف عادي، إلا أنه يلتقط "ظل" البنية الداخلية. فإذا كان اللحم "خشبيًا"، فإن الضوء سيُحجب بشكل مختلف عما لو كان "لحم سباغيتي".
3. العقل: "الطاهي التطوري" (NEATBoost)
التقاط الصورة هو نصف المعركة فقط. الآن، يحتاج الكمبيوتر للنظر في الصورة وقول: "هذا طبيعي"، أو "هذا خشبي"، أو "هذا سباغيتي".
التحدي: البيانات من الهاتف ليست صورة ضخمة كما في الذكاء الاصطناعي التقليدي، بل هي قائمة من الأرقام تصف أنماط الضوء. غالبًا ما تعاني نماذج الذكاء الاصطناعي القياسية مع قوائم الأرقام الصغيرة وغير المنتظمة.
الابتكار: لم يكتفِ الباحثون باختيار نموذج ذكاء اصطناعي واحد، بل صنعوا فريقًا من خبيرين:
خبير الأشجار (LightGBM): بارع في البحث عن القواعد والأنماط في البيانات.
الخبير العصبي (Attention-MLP): بارع في التركيز على التفاصيل الأكثر أهمية.
لمسة الـ "NEAT": عادةً، يقوم البشر بتعديل هذه النماذج يدويًا (مثل ضبط مقابض الراديو). ولكن هنا، استخدموا طريقة تسمى NEAT (التطور العصبي للنماذج المعززة - NeuroEvolution of Augmenting Topologies).
التشبيه: تخيل طباخًا يحاول ابتكار وصفة حساء مثالية. بدلًا من طباخ واحد يخمن الوصفة، يبدأ الأمر بـ 100 طباخ لديهم وصفات عشوائية. يتذوقون الحساء، ويحتفظون بالأفضل، ثم يمزجون وصفاتهم معًا، ويضيفون "طفرة" بسيطة (رشة توابل جديدة). يكررون هذه العملية مرارًا وتكرارًا، حتى يصلوا في النهاية إلى "طباخ خارق" يمتلك الوصفة المثالية دون أن يضطر أحد لكتابتها يدويًا.
هذا "التطور" وجد تلقائيًا الإعدادات المثالية للذكاء الاصطناعي لقراءة بيانات الدجاج.
4. النتائج: التغلب على الآلات الضخمة
اختبروا هذا النظام على 336 قطعة من صدور الدجاج من مصنع حقيقي.
النتيجة: حقق نظام الهاتف الذكي دقة بلغت 82.4%.
المقارنة: هذه النتيجة تقترب جدًا من دقة الآلات الضخمة التي تكلف ملايين الدولارات وتستخدم في المختبرات.
العقبة: كان النظام جيدًا جدًا في اكتشاف "الصدر الخشبي" (القطع الصلبة)، لكن الأمر كان أصعب قليلًا مع "لحم السباغيتي" لأن أنماط الضوء للحم السباغيتي تشبه إلى حد ما اللحم الطبيعي. ولكن بشكل عام، أثبت النظام أن هاتفًا بقيمة 1,000 دولار يمكنه القيام بمهمة آلة تكلف 100,000 دولار.
5. لماذا يهم هذا؟
الأمر لا يقتصر على الدجاج فحسب؛ بل يتعلق بـ "دمقرطة العلم" (جعل العلم متاحًا للجميع).
لا مزيد من المختبرات المكلفة: لست بحاجة إلى غرفة خاصة أو كاميرا بـ 50,000 دولار. أنت فقط بحاجة إلى هاتف آيفون وصندوق ضوئي.
أداة بحثية: يقيس التطبيق أيضًا الشكل ثلاثي الأبعاد للدجاج ويستخدم الذكاء الاصطناعي لمساعدة الباحثين في تحليل البيانات. إنه يشبه منح كل مزارع وباحث مختبرًا محمولًا في جيبه.
إمكانات مستقبلية: إذا نجح هذا مع الدجاج، فيمكن استخدامه لفحص داخل الفواكه، أو اكتشاف الكدمات في التفاح، أو حتى فحص أنواع أخرى من اللحوم، وكل ذلك دون الحاجة لقطعها.
باخت ملخص: تُظهر هذه الورقة أنه من خلال تسليط الضوء عبر الدجاج واستخدام "عقل حاسوبي ذاتي التطور"، يمكننا استخدام هاتف ذكي رخيص لرصد اللحم السيئ بدقة تضاهي الآلات الصناعية الغالية. إنها تحول جهازًا في جيبك إلى أداة قوية لمراقبة الجودة.
ملخص تقني لورقة بحثية بعنوان: "MyoVision: أداة بحثية محمولة وإطار عمل NEATBoost-Attention التجميعي للكشف في الوقت الفعلي عن اعتلالات عضلة الصدر في الدجاج"
1. بيان المشكلة
تتأثر جودة لحوم الدواجن بشكل كبير بنوعين من الاعتلالات العضلية الهيكلية: الصدر الخشبي (Woody Breast - WB) واللحم المعكروني (Spaghetti Meat - SM).
القيود الحالية:
الفحص اليدوي: يعتمد على اللمس الذاتي أو الفحص البصري، مما يؤدي إلى إجهاد المشغل، وعدم الاتساق، وضعف القدرة على إعادة إنتاج النتائج.
الأنظمة المؤتمتة الحالية: تعتمد على أجهزة باهظة الثمن ذات مستوى مختبري (مثل التصوير فائق الطيف، أو مطيافية الأشعة تحت الحمراء القريبة، أو رؤية حاسوبية مخصصة) والتي تفتقر إلى القابلية للتوسع في خطوط المعالجة الواقعية.
الفجوة: لا يوجد إطار عمل موحد ومنخفض التكلفة يستخدم أجهزة استهلاكية يمكنه إجراء تصنيف متعدد الفئات (طبيعي، صدر خشبي، لحم معكروني) مع توفير بيانات متعددة الأنماط بمستوى بحثي.
التحدي: تظهر هذه العيوب كاختلالات هيكلية داخلية (تصلب ليفي، تراكم سوائل، تفتت في الأنسجة الضامة) بدلاً من كونها سمات سطحية، مما يجعل اكتشافها صعباً باستخدام تصوير السطح القياسي.
2. المنهجية
يقترح المؤلفون نظام MyoVision، وهو نظام تصوير بالترجمة الضوئية (Transillumination) يعتمد على الهاتف الذكي، مقترناً بإطار تعلم تجميعي مُحسَّن عبر التطور العصبي.
أ. الحصول على البيانات (منصة MyoVision)
الأجهزة: تطبيق iOS مخصص يعمل على هاتف ذكي استهلاكي مزود بكاميرا 14-بت RAW ومستشعرات LiDAR.
نمط التصوير:الترجمة الضوئية (Transillumination). يتم تمرير ضوء أبيض واسع النطاق عبر شريحة الدجاج. يلتقط النظام نمط تخفيف الضوء المتكامل مكانياً ثنائي الأبعاد، والذي يشفر كثافة الأنسجة، والتصلب الليفي، وإعادة توزيع السوائل.
التكامل متعدد الأنماط:
تصوير RAW: يلتقط صور DNG بدقة 14 بت (4032 × 3024) للحفاظ على السلامة الإشعاعية.
استشعار العمق: يستخدم مستشعر LiDAR الخلفي (زمن الطيران - ToF) ومستشعر TrueDepth الأمامي (الضوء المهيكل) لإنشاء سحب نقاط ثلاثية الأبعاد وشبكات سطحية (Surface Meshes).
خط المعالجة: يتضمن إعادة بناء الشبكة آلياً، والتقسيم (باستخدام SAM)، والتحليل المدعوم بالذكاء الاصطناًعي عبر ChatGPT.
ب. استخراج الميزات من صور RAW المترجمة ضوئياً، يستخرج النظام 16 واصفاً هيكلياً يدوياً من الصور الرمادية:
الواصفات في مجال التردد: مرشحات غابور (Gabor filters) متعددة الاتجاهات (0°، 45°، 90°، 135°) لالتقاط محاذاة ألياف العضلات.
الواصفات المورفولوجية: تحديد مناطق الأنسجة الكثيفة وحسابات المساحة النسبية.
ج. إطار التصنيف: NEATBoost-Attention Ensemble لتصنيف الفئات الثلاث (طبيعي، صدر خشبي، لحم معكروني) من مجموعة بيانات جدولية صغيرة وغير متجانسة، يقترح المؤلفون نموذجاً تجميعياً مبتكراً:
المتعلمات الأساسية (Base Learners):
LightGBM: نموذج أشجار القرار المعززة بالتدرج.
Attention-MLP: شبكة إدراك متعددة الطبقات (MLP) مع آلية انتباه للميزات لإعادة وزن الواصفات المدخلة.
بدلاً من الضبط اليدوي، يقوم NEAT بتطوير مجتمع من الجينات حيث يمثل كل جين شبكة عصبية صغيرة تولد معلمات فائقة مرشحة لكل من LightGBM و Attention-MLP.
يتم تقييم اللياقة باستخدام التحقق المتقاطع (K-fold cross-validation) الطبقي (F1-score الموزون).
الدمج التجميعي (Ensemble Fusion):
يتم دمج النماذج المحسنة عبر دمج الاحتمالات الموزونة.
يتم تحديد الأوزان باستخدام تحسين "Nelder–Mead simplex" لتعظيم F1-score الموزون على التنبؤات خارج العينة (out-of-fold).
3. المساهمات الرئيسية
إطار عمل التصوير بالترجمة الضوئية المحمول: إعداد تصوير منخفض التكلفة يستخدم الهواتف الذكية الاستهلاكية لالتقاط أنماط التخفيف المتكاملة مكانياً ثنائية الأبعاد لتقييم الاعتلال الداخلي دون الحاجة لأجهزة بصرية متخصصة.
NEATBoost-Attention Ensemble: نموذج تجميعي مُحسَّن بالتطور العصبي يعمل على أتمتة اكتشاف المعلمات الفائقة وتصميم البنية، وهو مصمم خصيصاً لمجموعات البيانات الزراعية الصغيرة وغير المتجانسة.
منصة بحثية موحدة: تدمج MyoVision تصوير RAW، والاستحواذ ثلاثي الأبعاد عبر LiDAR، وإعادة بناء الشبكة، والتقسيم الآلي، والتحليل المدعوم بالذكاء الاصطناعي، مما يؤسس لخط معالجة قابل لإعادة الإنتاج لجمع البيانات متعددة الأنماط (RGB-D).
4. النتائج التجريبية
مجموعة البيانات: 336 شريحة صدر دجاج تم جمعها من منشأة تجارية (63 طبيعي، 135 صدر خشبي، 52 لحم معكروني).
التقسيم: تدريب (251)، تحقق (34)، واختبار مستقل (51).
الأداء:
حقق تجميع NEATBoost-Attention دقة اختبار بلغت 82.4% ودرجة F1-score موزونة قدرها 0.83.
المقارنة: تفوق على النماذج المرجعية التقليدية (LightGBM، AttentionMLP، TabularCNN، LightTransformer) بنسبة تتراوح بين 4 إلى 7% في F1-score.
المعايرة: يضاهي أداء أنظمة التصوير فائق الطيف (التي تكلف أضعافاً مضاعفة) المذكورة في الأدبيات (على سبيل المثال، حقق Muñoz-Lapeira وآخرون 76.1% باستخدام التصوير فائق الطيف).
التحليل الخاص بالفئات:
الصدر الخشبي: سجل أعلى معدل استدعاء (Recall) بسبب البصمات الهيكلية المتميزة (الكثافة/الصلابة).
اللحم المعكروني: كان الأكثر تحدياً (استدعاء ~70%) بسبب الخصائص الهيكلية المتوسطة التي تسبب تداخلاً في الميزات مع العينات الطبيعية وعينات الصدر الخشبي.
تحليل الميزات: كانت ميزة "نسبة المنطقة الكثيفة" هي الأكثر تمييزاً. كما كان الفصل الخطي (LDA) ضعيفاً بالنسبة للحم المعكروني، مما يؤكد الحاجة إلى نهج تجميعي غير خطي.
5. الأهمية والعمل المستقبلي
القابلية للتوسع: يثبت أن الهواتف الذكية الاستهلاكية يمكن أن تحل محل المستشعرات الصناعية الباهظة لتقييم الأنسجة الداخلية، مما يسمح بالنشر القابل للتوسع في خطوط المعالجة.
الابتكار المنهجي: يثبت فعالية التطور العصبي (NEAT) في تحسين النماذج التجميعية للبيانات الجدولية حيث يكون الضبط اليدوي صعباً والبيانات شحيحة.
القيود والتوجهات المستقبلية:
لا يزال اكتشاف "اللحم المعكروني" صعباً بسبب تداخل الميزات؛ سيعمل العمل المستقبلي على دمج الواصفات الهندسية ثلاثية الأبعاد من مسار LiDAR لالتقاط مورفولوجيا السطح جنباً إلى جنب مع البنية الداخلية.
يتطلب الإعداد الحالي إضاءة خلفية محكومة؛ تهدف الإصدارات المستقبلية إلى استخدام إضاءة تكيفية أو إضاءة مثبتة على حزام ناقل.
المنصة معيارية ويمكن توسيعها لمهام جودة أخرى مثل تصنيف الخطوط البيضاء (white striping)، واكتشاف الكدمات، وتحديد حالة PSE (الشاحبة-الطرية-الناضحة).
في الختنتاج، تسد MyoVision الفجوة بين الأبحاث المختبرية عالية التكلفة والفحص الزراعي العملي والقابل للتوسع، مقدمة حلاً قوياً ومنخفض التكلفة للكشف عن اعتلالات الدواجن المعقدة.