PR-CNN: A Multiscale Attention Relation Network for Accurate Bean Leaf Disease Image Recognition

تخيل أنك محقق تحاول حل لغز، ولكن بدلاً من مسرح جريمة، أنت تنظر إلى ورقة شجر. في عالم الزراعة الذكية، يتم تعليم الحواسيب لعب هذه اللعبة التحقيقية. إنهم يستخدمون فرعاً من الذكاء الاصطناعي يسمى "التعلم العميق"، وهو يشبه دماغاً رقمياً يتعلم من خلال النظر إلى آلاف الصور. عادة ما تكون هذه الأدمغة الرقمية مثل العمالقة الجائعين؛ فهي تحتاج إلى "أكل" ملايين الصور لتتعلم كيف تميز بين الورقة المريضة والورقة السليمة. ولكن في العالم الحقيقي، غالباً لا يملك المزارعون ملايين الصور. قد يمتلكون فقط بضع لقطات لمرض جديد بدأ يظهر في حقولهم. وهنا يأتي دور خدعة خاصة تسمى "التعلم من أمثلة قليلة" (few-shot learning). الأمر يشبه تعليم محقق التعرف على مجرم جديد بعد رؤية صورة أو اثنتين له فقط، بدلاً من الحاجة إلى سجل كامل لجميع المشتبه بهم. الهدف هو بناء نظام يمكنه رصد أمراض النباتات بسرعة ودقة، حتى لو لم يكن قد رأى هذا المرض المحدد ألف مرة من قبل، لأن إنقاذ المحاصيل من الأمراض يعني إنقاذ الغذاء والمال.

التقِ الآن بالمحقق الجديد في المدينة: نظام يسمى PR-CNN. أراد الباحثون وراء هذه الدراسة حل مشكلة معقدة: أوراق الفاصوليا. أوراق الفاصوليا مخادعة لأنها عندما تمرض، يمكن أن تبدو البقع متشابهة جداً مع بعضها البعض، أو يمكن أن تكون مختبئة خلف خلفيات فوضوية مثل التراب أو نباتات أخرى. بنى الفريق دماغاً رقمياً جديداً مصمماً خصيصاً للتعامل مع ألغاز أوراق الفاصوليا هذه. لقد دمجوا ثلاث أدوات قوية في محقق خارق واحد. أولاً، استخدموا "شبكة عصبية تلافيفية" قياسية، وهي المحرك الأساسي الذي ينظر إلى الصورة. ثانياً، أضافوا شيئاً يسمى "الانتباه الهرمي المنقسم" (pyramid split attention). فكر في هذا كمنح المحقق مجموعة من العدسات المكبرة المختلفة؛ فبعض العدسات تكبر بدقة لرؤية النقاط الصغيرة جداً، بينما تكبر أخرى لرؤية شكل الورقة بالكامل. يساعد هذا الكمبيوتر على التركيز على البقع المريضة المهمة وتجاهل ضجيج الخلفية الممل. ثالثاً، استخدموا "شبكة علاقات" (relation network). بدلاً من مجرد حفظ شكل الورقة المريضة، يتعلم هذا الجزء من الدماغ كيفية مقارنة صورتين جنباً إلى جنب. إنه يسأل: "ما مدى تشابه هذه الورقة الجديدة مع الأوراق المريضة التي رأيتها من قبل؟" ويعطي درجة بناءً على هذه العلاقة.

اختبر الفريق محققه الجديد على مجموعة بيانات لأوراق الفاصوليا جمعوها من مزرعة في هينان، الصين، بالإضافة إلى بعض البيانات مفتوحة المصدر. كان لديهم إجمالي 11,903 عينة، تغطي أربعة أنواع من الأمراض: الصدأ، والفسيفساء، وعفن الأوراق، والبقع البيضاء، بالإضافة إلى الأوراق السليمة. وعندما وضعوا PR-CNN تحت الاختبار، كان أداؤه مذهلاً. في تجربتهم الرئيسية، أجاب النظام بشكل صحيح بنسبة 99.24% من المرات. ولوضع ذلك في السياق، فقد قارنوه ببعض "العمالقة" الأكثر شهرة في عالم التعلم العميق، مثل ResNet50 وDenseNet وInception v4 وEfficientNet B7. وقد تفوق نظام PR-CNN الجديد على جميعهم، مما أظهر أن مزيجهم الخاص من العدسات المكبرة ومهارات المقارنة يعمل بشكل أفضل من الطرق القياسية. كما اختبر الباحثون النظام على أربع مجموعات بيانات عامة أخرى لأمراض النباتات، وحافظ على هدوئه، محققاً متوسط دقة بلغ 99.84% في جميع المجالات.

ومع ذلك، فإن المؤلفين حذرون من الادعاء بأن هذا هو الحل النهائي والمثالي لكل مشكلة في الكون. فهم يشيرون إلى أن نظامهم حالياً هو متخصص؛ فهو يعرف فقط تشخيص تلك الأمراض الأربعة المحددة للفاصوليا. إذا عرض عليه مزارع نوعاً جديداً من أمراض الفاصوليا أو مرضاً على نبات الطماطم، فلن يعرف النظام ماذا يفعل بعد. كما أن لديه بعض القيود عندما يتعلق الأمر بالفوضى في العالم الحقيقي. في صورة المختبر المثالية، تكون الورقة واضحة ومضاءة جيداً، ولكن في الحقل الحقيقي، قد تكون الأوراق ضبابية، أو مغطاة بالتراب، أو مختبئة خلف نباتات أخرى. تشير الورقة البحثية إلى أنه بينما يعد النظام خطوة كبيرة للأمام، إلا أنه لا يزال بحاجة إلى الاختبار في تلك الظروف الواقعية الفوضوية. كما لاحظ الفريق أن نظامهم الحالي ينظر فقط إلى الصور الثابتة، وليس الفيديوهات، ولا يخبر المزارع بعد "مدى سوء" المرض، بل يخبره فقط "ماهيته".

رغم هذه القيود، فإن النتائج هي اقتراح قوي بأن هذا النهج الجديد فعال. من خلال الجمع بين القدرة على رؤية التفاصيل بمقاييس مختلفة ومهارة مقارنة الصور، يظهر PR-CNN أننا نستطيع بناء أدوات أكثر ذكاءً وقابلية للتكيف للزراعة. يعتقد المؤلفون أنه في المستقبل، يمكن نقل هذه التكنولوجيا إلى الهواتف المحمولة بحيث يمكن للمزارعين التقاط صورة لورقة والحصول على تشخيص فوري. أما في الوقت الحالي، فإن PR-CNN يقف كمحقق متخصص وعالي الدقة، يثبت أنه مع المزيج الصحيح من الانتباه والمقارنة، يمكن للحواسيب أن تتعلم إنقاذ محاصيلنا حتى لو لم تكن قد رأت العدو ملايين المرات من قبل.