Towards Intelligent Disease Phenotyping in Peach: A Deep Feature Extraction Framework for Leaf Disease Detection Under Real Field Conditions

في الإيقاع الهادئ لبستان، غالباً ما تُكتب صحة شجرة الخوخ بلغة أوراقها. لقرون مضت، اعتمد المزارعون على أعينهم لقراءة هذه اللغة، متفحصين بحثاً عن التواء ورقة أو بقعة صدأ. كان هذا الفحص البصري مهارة عريقة، لكنه كان أيضاً بطيئاً، وذاتياً، ويصعب توسيع نطاقه عبر المزارع التجارية الشاسعة. فعندما يضرب المرض، يمكن لكل ساعة تأخير أن تعني خسارة في المحصول أو انخفاضاً في جودة الثمار. ولجسر الفجوة بين الملاحظة البشرية واتساع الزراعة الحديثة، توجه العلماء إلى نوع مختلف من الرؤية: الذكاء الاصطناعي. وتحديداً، يستخدمون فرعاً من الحوسبة يُعرف بالتعلم العميق، حيث تُصمم البرامج الحاسوبية لمحاكة الطريقة التي يعالج بها الدماغ البشري الصور. لا تحتاج هذه البرامج إلى تعليم قواعد المرض يدوياً؛ بدلاً من ذلك، تتعلم من خلال دراسة آلاف الصور، لتدرك تدريجياً الأنماط الدقيقة التي تميز الورقة السليمة عن الورقة المريضة. ومع ذلك، كان التحدي دائماً هو أن هذه البرامج غالباً ما تعمل بشكل أفضل في الصمت المنضبط للمختبر، حيث الإضاءة مثالية والخلفيات بسيطة. أما البساتين الحقيقية فهي فوضوية، مليئة بالظلال المتغيرة، والأوراق التي تذروها الرياح، والخلفيات المعقدة التي يمكن أن تربك حتى أكثر الخوارزميات ذكاءً.

لقد شرع فريق من الباحثين من جامعة شير-إي-كاشمير للعلوم الزراعية والتكنولوجيا في معرفة ما إذا كانت هذه العيون الرقمية قادرة حقاً على رؤية الحقيقة في الحقل. وقد ركزوا على شجرة الخوخ، وهي محصول حيوي للمنطقة، مهددة باستمرار بثلاث أعداء محددة: عدوى فطرية تسبب التواء الأوراق وتسمكها، وأخرى تسبب ثقوباً صغيرة تشبه الفتحات، وثالثة تظهر على شكل بقع برتقالية صدئة. ولاختبار أفكارهم، لم يستخدم الفريق صوراً مثالية بجودة الاستوديو، بل التقطوا عشرة آلاف صورة لأوراق الخوخ مباشرة من بساتين في وادي كشمير، تحت ظروف طبيعية غير منضبطة. تضمنت هذه الصور أوراقاً في مراحل مختلفة من النمو والمرض، تم تصويرها بمسافات وزوايا وإضاءات متفاوتة. ثم قام الباحثون بتغذية هذه المجموعة المتنوعة من البيانات الواقعية في أربعة بنيات مختلفة للتعلم العميق، وهي في الأساس مخططات متميزة لكيفية تحليل الكمبيوتر للصورة. تم تكييف ثلاث من هذه المخططات من نماذج تم تدريبها مسبقاً على ملايين الصور العامة، بينما تم بناء نموذج واحد من الصفر ليتعلم خصيصاً من بيانات أوراق الخوخ.

تضمنت العملية تعليم هذه النماذج الحاسوبية التعرف على الفئات الأربع الموجودة في الصور: الأوراق السليمة، والتواء الأوراق، وثقب الثمار (shot hole)، والصدأ. ولضمان قوة النماذج وقدرتها على التعامل مع عدم القدرة على التنبؤ في العالم الحقيقي، قام الباحثون بتوسيع بيانات التدريب الخاصة بهم عن طريق تعديل الصور رقمياً - قلبها، وتدويرها، وتقريبها وتصغيرها - بحيث يتعلم الكمبيوتر التعرف على المرض بغض النظر عن كيفية وضع الورقة. وبعد تدريب النماذج لمئات الدورات، اختبرها الفريق على مجموعة جديدة من الصور التي لم يرها الكمبيوتر من قبل. وكشفت النتائج عن تسلسل هرمي واضح في الأداء. فقد برز أحد النماذج، المعروف باسم Inception-V4، والذي تم تدريبه من الصفر على بيانات الخوخ المحددة، كأكثر النماذج دقة؛ حيث حدد بشكل صحيح حالة المرض أو الصحة للورقة بنسبة 97.50 في المائة. أثبت هذا النموذج براعة خاصة في رصد الاختلافات الدقيقة بين الأمراض المختلفة، حتى عندما كانت الأعراض باهتة أو الخلفية مزدحمة.

أدت النماذج الأخرى أداءً جيداً، ولكن مع اختلافات ملحوءة. حقق نموذج يسمى ResNet-50، والذي استخدم أساساً مدرباً مسبقاً، دقة بلغت 94.49 في المائة، مما أثبت أن تكييف المعرفة الموجودة يمكن أن يكون استراتيجية قوية. كما وصل نموذج آخر، وهو VGG-16، إلى دقة 92.04 في المائة. ومع ذلك، عانى نموذج رابع، وهو Xception، بشكل كبير، حيث حقق 75.95 في المائة فقط من الدقة. وجد الباحثون أن نموذج Xception، رغم تصميمه المتطور، فشل في تعلم الأنماط البصرية المحددة اللازمة للتمييز بين الأمراض في هذه البيئة المعقدة؛ حيث خلط كثيراً بين الأوراق السليمة والمريب، أو خلط بين أنواع العدوى المختلفة. وفي المق مقابل، أظهر نموذج Inception-V4 قدرة رائعة على الفصل بين الفئات، مرتکبًا أخطاءً قليلة جداً. ويشير نجاحه إلى أنه عند التعامل مع الواقع الفوضوي للبستان، فإن تدريب نموذج خصيصاً على المحصول المستهدف منذ البداية يمكن أن يؤدي إلى نتائج أفضل من مجرد تكييف نموذج عام الأغراض.

تسلط الدراسة الضوء على أنه بينما يحمل الذكاء الاصطناعي وعوداً هائلة للزراعة الدقيقة، فإن اختيار الأداة الصحيحة وطريقة التدريب الصحيحة أمر بالغ الأهمية. وجد الباحثون أن النماذج التي تم تدريبها على بيانات ميدانية حقيقية كانت أكثر موثوقية بكثير من تلك التي تم اختبارها فقط في صور المختبر النظيفة. وتشير الدقة العالية لأفضل النماذج أداءً إلى أنه يمكن للمزارعين قريباً الاعتماد على أنظمة مؤتمتة لتشخيص أمراض الخوخ مبكراً وبدقة، مما يسم يسمح بالعلاج في الوقت المناسب وتقليل الخسائر الاقتصادية. وبينما اقتصرت الدراسة على الظروف المحددة لوادي كشمير والأمراض الثلاثة التي تم فحصها، فإن النتائج تقدم إثباتاً قوياً للمفهوم. إن العمل يوضح أن التعلم العميق يمكنه تجاوز المختبر والعمل بفعالية في البيئة الفوضوية وغير المتوقعة لبستان حقيقي، بشرط اختيار البنية الصحيحة وأن تعكس بيانات التدريب الظروف الحقيقية للحقل.