💻 علوم الحاسوب

Banana Ripeness Stage Identification Using Transformers

تقترح هذه الدراسة نظاماً آلياً لتصنيف نضج الموز باستخدام نماذج التعلم العميق، حيث تُثبت تحديداً أن بنية Swin Transformer Tiny تحقق دقة عالية (86.78%) في تصنيف موز "مويرا" إلى خمس مراحل مع استخدام تقنيات الذكاء الاصطناعي القابل للتفسير لضمان قابلية تفسير التنبؤ.

المؤلفون الأصليون: Rudresh Arabekar Rudresh Arabekar, Sahil Goes Sahil Goes, Anant Sawant Anant Sawant, Vollny Coelho Vollny Coelho, Tanvi Dharwadkar Tanvi Dharwadkar

نُشر 2026-11-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Rudresh Arabekar Rudresh Arabekar, Sahil Goes Sahil Goes, Anant Sawant Anant Sawant, Vollny Coelho Vollny Coelho, Tanvi Dharwadkar Tanvi Dharwadkar

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تنتقل ملايين الموزات يومياً من المزارع الاستوائية إلى رفوف محلات البقالة، في رحلة تحكمها ساعة بيولوجية دقيقة. فبينما تنضج الثمرة، تمر بتحول مرئي: حيث تتحول القشرة من اللون الأخضر إلى الأصفر، ثم تظهر عليها بقع بنية، وأخيراً تصبح داكنة مع بدء تليّن الثمرة وتحللها. هذه العملية ليست مجرد تغيير جمالي؛ بل هي التي تحدد قيمة الثمرة، وفترة صلاحيتها، وما إذا كانت جاهزة للأكل. لعقود من الزمن، اعتمد المزارعون والموزعون على العمال البشريين لفحص هذه الثمار، وتحديد درجة النضج بالعين واللمس. ورغم أن هذه الطريقة تعتمد على الخبرة، إلا أنها بطيئة، وتخضع للتقدير الشخصي، وعرضة للخطأ، مما يؤدي غالداً إلى هدر كبير عندما يتم التخلص من ثمار جيدة تماماً أو عندما تصل ثمار مفرطة النضج إلى السوق. ولحل هذه المشكلة، توجه الباحثون نحو الحواسيب، لتعليمها رؤية ما يراه البشر. ويكمن التحدي في تعليم الآلة التمييز بين مراحل التغيير الدقيقة، مثل الفرق بين موزة بدأت للتو في النضج وموزة نضجت تماماً، أو بين ثمرة نضجت قليلاً وثمرة بدأت في التعفن. وهذا يتطلب نظاماً يمكنه تحليل اللون، والملمس، والأنماط باتساق لا يمكن للعين البشرية مضاهاته.

قام فريق من الباحثين من معهد "أجنيل" للتكنولوجيا والتصميم في الهند بتطوير نظام جديد لأتمتة عملية التصنيف هذه، متجاوزين الأساليب التقليدية لاختبار نهج متطور يُعرف باسم "محول الرؤية" (Vision Transformer). وخلافاً لأنظمة الرؤية الحاسوبية القديمة التي تمسح الصورة في قطع صغيرة محلية، بحثاً عن حواف أو أشكال محددة، ينظر هذا النهج الجديد إلى الصورة بأكملها دفعة واحدة، مدركاً كيفية ارتباط الأجزاء المختلفة للثمرة ببعضها البعض. ركز الباحثون تحديداً على صنف "مويرا" من الموز، وهو نوع شائع في منطقتهم، وأنشأوا مكتبة ضخمة تضم 4500 صورة عالية الدقة. وقاموا بتنظيم هذه الصور في خمس فئات متميزة: غير ناضج، متوسط النضج، ناضج، مفرط النضج، ومتعفن، مع ضمان وجود عدد متساوٍ من الأمثلة لكل مرحلة لمنع الحاسوب من تفضيل نوع على آخر. وقبل أن يبدأ الحاسوب في التعلم، قام الباحثون بتنظيف الصور، وإزالة الخلفيات ليركز النظام فقط على الثمرة نفسها، وعدلوا الحجم والإضاءة لضمان معاملة كل صورة بنفس الطريقة.

ولإيجاد أفضل طريقة لتعليم الحاسوب، اختبر الفريق خمس بنيات رقمية مختلفة، بما في ذلك النماذج الراسخة والتصاميم الأحدث والأكثر تعقيداً. لم يكتفوا بتدريب النماذج مرة واحدة وإعلان الفائز؛ بل استخدموا طريقة اختبار صارمة حيث تم تقسيم البيانات إلى خمس مجموعات، وتم تدريب واختبار النماذج على تركيبات مختلفة من هذه المجموعات بشكل متكرر. وقد ضمن ذلك أن النتائج لم تكن مجرد ضربة حظ، بل مقياساً موثوقاً للأداء. ووجدت الدراسة أن بنية محددة تُسمى "سوين ترانسفورمر" (Swin Transformer) قد تفوقت على جميع غيرها. حقق هذا النموذج دقة متوسطة بلغت قرابة 87.4 بالمئة عبر الاختبارات المختلفة، حيث حدد مرحلة نضج الموزة بشكل صحيح في معظم الحالات. وقد أثبت أنه أكثر استقراراً واتساقاً من النماذج الأخرى، بما في ذلك الأنظمة القديمة والمعروفة التي تعتمد على طرق مسح أبسط. وأكد الباحثون أن هذا النجاح ظل قائماً حتى عندما تم اختبار النموذج على مجموعة جديدة تماماً من الصور التي لم يسبق له رؤيتها، حيث حافظ على دقة بلغت 86.8 بالمئة.

إن ما يجعل هذا الاكتشاف قيماً للغاية ليس فقط الدرجة العالية، بل طبيعة الأخطاء التي ارتكبها الحاسوب. فعندما أخطأ النظام، كان دائماً ما يخلط بين الموزة وبين المرحلة المجاورة لها مباشرة في عملية النضج، مثل الخلط بين ثمرة ناضجة وثمرة مفرطة النضج، بدلاً من الخلط بين موزة خضراء وثمرة متعفنة. وهذا تمييز جوهري لمراقبة الجودة، إذ إن الخطأ الصغير في التقدير أقل ضرراً بكثير من الخطأ الكبير. ولضمان أن الحاسوب لم يكن يخمن بناءً على أنماط عشوائية، استخدم الباحثون تقنية لتصور ما كان ينظر إليه النموذج بالضبط عند اتخاذ قرار ما. وأظهرت هذه الخرائط المرئية أن النظام كان يركز بشكل صحيح على الثمرة الفعلية، وتحديداً لون القشرة ووجود البقع البنية، بدلاً من أن يتشتت بالخلفية أو الظلال. لقد كان الحاسوب يتعلم فعلياً نفس العلامات البيولوجية التي يستخدمها الخبير البشري، ولكن بمستوى من الدقة والسرعة لا يستطيع البشر الحفاظ عليه.

لم يتوقف الباحثون عند نتائج المختبر؛ بل بنوا تطبيق ويب يعمل لعرض كيفية استخدام هذه التكنولوجيا في العالم الحقيقي. في هذا النظام، يمكن للمستخدم رفع صورة للموز، وسيقوم التطبيق أولاً بالتحقق مما إذا كانت الصورة تحتوي بالفعل على موزة، ثم يزيل الخلفية ويمرر الصورة عبر النموذج المدرب. بعد ذلك، يقدم النظام إجابة واضحة حول مرحلة النضج، مع درجة ثقة وتسليط ضوء مرئي يوضح الأجزاء التي أثرت في القرار. يثبت هذا الحل المتكامل أن التكنولوجيا جاهزة للانتقال من تجربة بحثية إلى أداة عملية للمزارعين والبائعين. ومن خلال أتمتة عملية التصنيف، يوفر هذا النظام وسيلة لتقليل الهدر، وتحسين كفاءة سلسلة التوريد، وضمان حصول المستهلكين على الفاكهة في المرحلة المثالية من النضج، كل ذلك مع توفير طريقة شفافة وموثوقة لاتخاذ هذه القرارات الحاسمة.

أبحاث مشابهة