Comparative Evaluation of Convolutional and Transformer-Based Detectors for Automated Weed Detection in Precision Agriculture

ملخص تقني: تقييم مقارن للكواشف القائمة على الشبكات التلافيفية (CNN) والمحولات (Transformers) للكشف الآلي عن الأعشاب الضارة

بيان المشكلة
تتناول الورقة البحثية التحدي الحرج المتمثل في الكشف المبكر عن الأعشاب الضارة في الزراعة الدقيقة، وهي مهمة تزداد تعقيداً بسبب التشابه المورفولوجي العالي بين المحاصيل والأعشاب الضارة، والتباين الكبير داخل الفئة الواحدة، والظروف البيئية غير المنظمة (مثل تباين الإضاءة، وأنسجة التربة، والانسدادات). وبينما حقق التعلم العميق تقدماً في الرؤية الحاسوبية الزراعية، إلا أن الحلول الحالية غالباً ما تعاني من ضعف المتانة في السيناريوهات الواقعية. وتحديداً، هناك نقص في المقارنات المنهجية والعادلة بين بنيات الشبكات العصبية التلافيفية (CNN) والنماذج القائمة على المحولات (Transformers) ضمن إطار تجريبي موحد باستخدام مجموعات بيانات عالية الدقة وواقعية. تهدف الدراسة إلى تحديد ما إذا كانت قدرات النمذجة السياقية العالمية للمحولات توفر ميزة ملموسة مقارنة بالكفاءة الحسابية للشبكات التلافيفية في عملية التمييز الدقيق بين المحاصيل والأعشاب الضارة.

المنهجية
أجرى المؤلفون تقييماً مقارناً شاملاً باستخدام مجموعة بيانات GROUND-BASED_WEED، وهي معيار عام تم جمعه من حقول طماطم تجارية في إسبانيا. تتكون مجموعة البيانات من صور RGB عالية الدقة (5184 × 3888 بكسل) ملتقطة من منظور عين الطائر، وتضم سبع فئات مصنفة (محصول واحد وستة أنواع من الأعشاب الضارة، بالإضافة إلى فئة غامضة) وتعكس تحديات العالم الحقيقي مثل عدم توازن الفئات وضجيج الملصقات (label noise).

قارنت التصميم التجريبي ثلاث بنيات تمثيلية لكشف الأشياء:

1. القائمة على CNN: نموذج YOLOv26-nano، الذي تم اختياره لتصميمه خفيف الوزن وملاءمته للأنظمة المدمجة.
2. القائمة على المحولات (Transformers): نماذج RT-DETR (بنسختيها المتوسطة والكبيرة) و RF-DETR، والتي تم اختيارها لقدرتها على التقاط السياق العالمي عبر آليات الانتباه الذاتي (self-attention).

تم تدريب جميع النماذج بموجب بروتوكول موحد (200 حقبة تدريبية "epochs"، مُحسن AdamW، وحجم دفعة 4) على وحدة معالجة رسومات NVIDIA RTX 2080 Super. ولتحليل المقايضة بين الدقة والكفاءة، أُجريت التجارب عند ثلاث دقات مدخلات: 640، 1080، و2160 بكسل. تم تقييم الأداء باستخدام مقاييس COCO القياسية (الدقة Precision، الاستدعاء Recall، mAP@50، mAP@50–95) ومقاييس كفاءة الاستدلال (زمن التأخير وعدد الإطارات في الثانية FPS).

النتائج الرئيسية
كشف التقييم عن مقايضة واضحة بين الكفاءة الحسابية والنمذجة السياقية:

• الأداء: حقق كل من YOLOv26-nano و RT-DETR أداءً متقارباً من حيث الدقة والاستدعاء و mAP@50، لا سيما عند الدقات العالية. وبينما أظهر RT-DETR تحسينات طفيفة في mAP@50 عند دقة 2160 بكسل، إلا أن هذه المكاسب لم تكن ذات دلالة إحصائية مقارنة بالنهج القائم على CNN. أما نموذج RF-DETR فقد سجل أداءً أقل باستمرار عبر جميع المقاييس.
• تأثير الدقة (Resolution): لم يؤدِ رفع دقة المدخلات من 640 إلى 2160 بكسل إلا إلى تحسينات طفيفة جداً في دقة الكشف. ويعزو المؤلفون ذلك إلى الطبيعة الجوهرية لمجموعة البيانات، حيث تشغل الأهداف (الأعشاب الضارة في مراحلها الأولى) جزءاً صغيراً جداً من الصورة، مما يعني أن الدقة العالية لا توفر بالضرورة ميزات أكثر تمييزاً.
• الكفاءة: أظهر YOLOv26-nano تكاليف حسابية أقل بكثير وأوقات استدلال أسرع مقارنة بالنماذج القائمة على المحولات. تطلبت نماذج المحولات تخصيص ذاكرة أعلى وأظهرت أوقات استدلال أطول، مما يشكل تحديات للنشر في الوقت الفعلي على المنصات المدمجة محدودة الموارد.

المساهمات الرئيسية

• المقارنة المنهجية: توفر الدراسة تقييماً دقيقاً جنباً إلى جنب بين كواشف CNN والمحولات الحديثة تحت ظروف متطابقة، مما يعالج فجوة في الأدبيات المتعلقة بالمقارنات العادلة في السياقات الزراعية.
• التقييم في بيئة واقعية: على عكس العديد من الدراسات التي تعتمد على بيئات محكومة، يستخدم هذا العمل مجموعة بيانات عالية الدقة من الحقول الحقيقية تحتوي على ضجيج وعدم توازن في الفئات، مما يقدم تقييماً أكثر واقعية لمتانة النماذج.
• تحليل الدقة: تبحث الورقة في العوائد المتناقصة لزيادة دقة المدخلات لكشف الأجسام الصغيرة في الزراعة، مما يشير إلى أن الكفاءة الهيكلية قد تكون أكثر أهمية من الدقة الخام لهذه المهمة المحددة.

الأهمية والادعاءات
تخلص الورقة إلى أنه بالنسبة للكشف المبكر عن الأعشاض الضارة في الزراعة الدقيقة، فإن التحسين الهرمي لشبكات CNN (وتحديداً YOLOv26-nano) يوفر نهجاً أكثر متانة وجدوى من بنيات المحولات. وبينما تتفوق المحولات في نمذجة السياق العالمي، فإن هذه القدرة لا تترجم إلى ميزة أداء جوهرية لمهمة محددة تتمثل في كشف الأجسام الصغيرة والمبعثرة في الحقول الزراعية.

يدعي المؤلفون أن YOLOv26-nano يوفر التوازن الأمثل بين الدقة والكفاءة الحسابية، مما يجعله المرشح المفضل للدمج في الأنظمة الروبوتية المدمجة التي تعمل في ظروف الحقول الواقعية. وتؤكد الدراسة أنه بالنسبة لهذا التطبيق، فإن كفاءة نماذج CNN أحادية المرحلة تفوق الفوائد النظرية لآليات الانتباه العالمي، خاصة عندما يكون النشر على أجهزة الحافة (edge devices) أولوية. وتشمل الأعمال المستقبلية التي اقترحها المؤلفون استكشاف تقسيم المثيل (instance segmentation) لتحديد أفضل للمورفولوجيا غير المنتظمة للأعشاب الضارة، واستخدام تعزيز البيانات الاصطناعية (مثل نماذج GANs أو نماذج الانتشار) لمعالجة عدم توازن مجموعة البيانات.