A Lightweight Maize Pest and Disease Recognition Method Based on an Improved ShuffleNetV2 in Field Environments

في الحقول الشاسعة والمشمسة حيث ينمو الذرة، تُشن معركة صامتة باستمرار. فخلف العيون غير المدربة، تعمل حشرات ضئيلة وفطريات مجهرية على إضعاف السيقان والأوراق، مما يهدد الحصاد الذي يغذي الملايين. لقرون، اعتمد المزارعون على السير في هذه الصفوف، وتدقيق النظر في الأوراق، واستخدام خبراتهم لتخمين ما هو خطأ. كانت هذه الطريقة بطيئة، ومرهقة، وغالباً ما تأتي متأخرة جداً لإنقاذ المحصول. والي اليوم، يبرز نوع مختلف من المساعدين من عالم علوم الحاسوب؛ إنها قدرة الآلات على "رؤية" وفهم الصور، وهو مجال يُعرف بالذكاء الاصطناعي. يمكن تدريب هذه الأنظمة على رصد الأنماط المحددة لمرض ما أو الشكل المميز لآفة ما، مما يوفر وسيلة لمراقبة المحاصيل بسرعة ودقة. ومع ذلك، لكي تكون هذه التكنولوجيا مفيدة حقاً في حقل ناءٍ، لا يمكن أن تكون آلة ثقيلة ومستهلكة للطاقة تتطلب مزرعة خوادم ضخمة لتفكر. بل يجب أن تكون صغيرة، وسريعة، وقادرة على العمل على جهاز بسيط يمكن للمزارع حمله في جيبه أو تثبيته على طائرة بدون طيار.

هذا هو التحدي الذي سعى لونغفي وانغ ودونغ ليو لحله. لقد ركزا على الذرة، وهي أحد أهم المحاصيل الغذائية في العالم، والتي تعاني من مجموعة متنوعة من الأمراض التي تتراوح من بقعة الورقة الرمادية إلى الصدأ والأضرار الناجمة عن الخنافس. وبينما توجد بالفعل برامج حاسوبية قوية يمكنها تحديد هذه المشكلات بدقة عالية، إلا أنها غالباً ما تكون كبيرة ومعقدة للغاية بحيث يصعب تشغيلها على الحواسيب الصغيرة التي تعمل بالبطارية والمستخدمة في الزراعة. طرح الباحثون سؤالاً بسيطاً ولكنه صعب: هل يمكنهم بناء نظام ذكي بما يكفي للتعرف على هذه الأمراض بدقة، وفي الوقت نفسه صغير بما يكفي ليتناسب مع جهاز متواضع؟ كان ردهم هو طريقة جديدة ومبسطة تعتمد على نسخة محسنة من شبكة معروفة تسمى ShuffleNetV2. ومن خلال إعادة تشكيل كيفية معالجة الحاسوب للمعلومات المرئية بعناية، ابتكروا أداة خفيفة الوزن وحادة البصر، مصممة خصيصاً للواقع الفوضوي وغير المتوقع لحقول الذرة.

بدأ الفريق بجمع مجموعة ضخمة من الصور، تقترب من عشرين ألف صورة، تظهر أوراق الذرة في حالات صحية مختلفة. تضمنت هذه الصور أوراقاً خضراء وسليمة تماماً، وأخرى تعاني من أمراض محددة، أو نقص في العناصر الغذائية، أو هجمات من آفات مثل العنكبوت الأحمر وخنفساء الأوراق. ولضمان قدرة الحاسوب على التعلم بفعالية، قام الباحثون بتنظيف هذه البيانات، وإزالة الصور المكررة والتأكد من أن كل صورة قد تم تصنيفها بشكل صحيح من قبل الخبراء. ثم علموا نموذجهم الجديد كيفية النظر إلى هذه الصور، وتدريبه على التمييز بين ورقة صفراء ببساطة بسبب نقص العناصر الغذائية، وورقة صفراء لأنها مصابة بفطر. تضمنت عملية التدريب عرض آلاف الأمثلة على الحاسوب، مما سمح له بتعلم الفروق الدقيقة في اللون والملمس والشكل التي تحدد كل حالة.

لجعل النظام فعالاً، أجرى البهاثون ثلاثة تغييرات محددة على طريقة تفكير الحاسوب. أولاً، استحدثوا تقنية تقلل من كمية المعلومات الزائدة التي يولدها النظام، مما يضمن عدم إهدار الطاقة في إنشاء ميزات لا يحتاجها. ثانياً، أضافوا آلية تساعد الحاسوب على التركيز على الأجزاء الأكثر أهمية في الصورة، تماماً كما تركز العين البشرية طبيعياً على بقعة تلف بدلاً من المساحة الخضراء السليمة المحيطة بها. ثالثاً، عدلوا الدوال الرياضية التي يستخدمها النظام للتعلم، مما يسمح له بفهم الأنماط المعقدة دون الحاجة إلى قوة حوسبة إضافية. لم تكن هذه التعديلات نظرية فحسب؛ بل تم اختبارها بصرامة مقابل نماذج شائعة أخرى. وأظهرت النتائج أن نظامهم المحسن يمكنه تحديد آفات وأمراض الذرة بدقة تصل إلى 93 بالمئة، وهو رقم ينافس الأنظمة الأكبر والأكثر تعقيداً بكثير.

إن ما يجعل هذا الإنجاز مهماً بشكل خاص هو ما لا يتطلبه النظام. فبينما قد تحتاج النماذج عالية الأداء الأخرى إلى مئات الأضعاف من قوة الحوسبة والذاكرة للعمل، يعمل هذا الأسلប الجديد ببصمة ضئيلة جداً. فهو يستخدم 0.03 جيجا فلوب فقط من قوة الحوسبة ويشغل مساحة تخزين تبلغ 1.16 ميجابايت فقط. ولوضع هذا في المنظور، فإن النموذج بأكمله صغير جداً لدرجة أنه يمكن أن يتسع لصورة واحدة منخفضة الدقة، ومع ذلك فإنه يقوم بالعمل الشاق لتشخيص صحة المحصول. وقد أثبت الباحثون ذلك من خلال تثبيت النظام بنجاح على "راسبيري باي" (Raspberry Pi)، وهو حاسوب صغير وبأسعار معقولة يُستخدم غالباً في المشاريع الهواة والأغراض التعليمية. وعلى هذا الجهاز المتواضع، عمل النظام بسلاسة، حيث عالج الصور بسرعة كافية لتكون مفيدة في الوقت الفعلي، مستهلكاً القليل جداً من طاقة البطارية تاركاً مساحة كافية للمهام الأخرى.

كما نظرت الدراسة عن كثب في المواضع التي قد يواجه فيها النظام صعوبة، مما قدم صورة واضحة لحدوده الحالية. وجد الباحثون أن الحاسوب يخلط أحياناً بين أمراض تبدو متشابهة جداً، مثل بقعة الورقة الرمادية والصدأ الشائع، لأن البقع على الأوراق تشترك في ألوان وأنسجة متشابهة. وبالمثل، أخطأ أحياناً في اعتبار نقص العناصر الغذائية أمراضاً. هذه ليست إخفاقات للتكنولوجيا، بل هي انعكاس للصعوبة الطبيعية في التمييز بين هذه الحالات، حتى بالنسبة للخبراء البشريين. وأشار الباحثون إلى أنه بينما يعد النظام فعالاً للغاية، فإنه ليس مثالياً، وسيحتاج العمل المستقبلي إلى معالجة هذه الحالات الصعبة، ربما من خلال الجمع بين أنواع مختلفة من المستشعرات أو جمع بيانات أكثر تنوعاً من مناطق ومواسم مختلفة.

في نهاية المطاف، يمثل هذا العمل خطوة عملية نحو مستقبل تكون فيه الزراعة أكثر دقة واستدامة. ومن خلال توفير أداة يمكنها تحديد مشاكل المحاصيل فوراً ودون معدات باهظة الثمن، يمكن للمزارعين اتخاذ الإجراءات في وقت مبكر، ومعالجة المناطق المتضرة فقط بدلاً من رش الحقول بأكملها بالمواد الكيميائية. هذا النهج لا يوفر المال فحسب، بل يقلل أيضاً من التأثير البيئي للزراعة. لقد أثبت الباحثون أنه من الممكن جلب الذكاء الاصطناعي المتقدم من المختبر إلى تربة الحقل، وإنشاء نظام يكون قوياً ومتكيفاً مثل المحاصيل التي صُمم لحمايتها. يتضمن المسار المستقبلي تحسين هذه الأدوات بشكل أكبر، ولكن الأساس قد وُضع لعصر جديد من مراقبة المحاصيل الذكية والفعالة والمتاحة للجميع.