An Explainable Hybrid CNN-ViT Framework for Ethiopian Coffee Leaf Disease Classification

في مرتفعات إثيوبيا، لا تُعد القهوة مجرد محصول فحسب؛ بل هي نبض الاقتصاد وسبل عيش الملايين. لقرون مضت، اعتمد المزارعون على أعينهم وعلى المعرفة المحلية المتوارثة عبر الأجيال لرصد علامات المرض على نباتاتهم. إنهم يبحثون عن اصفرار الأوراق أو ظهور بقع غريبة، مستخدمين هذا الحدس البصري لتقرير كيفية حماية حصادهم. ومع ذلك، فإن هذه الطريقة التقليدية لها حدود؛ إذ يمكن أن تكون العلامات المبكرة للعدوى خفية ويُسهل إغفالها، وبحلول الوقت الذي يصبح فيه المرض واضحاً للعين البشرية، قد يكون قد انتشر بالفعل إلى حد يصعب إيقافه. وفي السنوات الأخيرة، لجأ العلماء إلى الحواسيب للمساعدة، حيث قاموا بتعليمها التعرف على الأنماط في الصور التي قد يغفل عنها البشر. تعمل هذه الأنظمة الحاسوبية، المعروفة بنماذج التعلم العميق، كعيون رقمية يمكنها فحص آلاف الأوراق في ثوانٍ معدودة، وتحديد أمراض معينة بسرعة فائقة. ومع ذلك، لا تزال هناك عقبة رئيسية: فهذه الحواسيب القوية غالباً ما تعمل مثل "الصناديق السوداء"؛ فهي تعطي إجابة، لكنها لا تشرح سبب اختيارها، مما يترك المزارعين والخبراء في حالة من عدم اليقين بشأن إمكانية الثقة في التشخيص.

قام فريق من الباحثين من جامعة جندار وجامعة ميكدلا أمبا بتطوير نهج جديد لسد هذه الفجوة بين القوة الخام والفهم البشري. لقد صمموا نظاماً مخصصاً لتشخيص أربعة أمراض شائعة لأوراق القهوة في إثيوبيا، وهي: السيركوسبورا (Cercospora)، وصدأ الأوراق (Leaf Rust)، والفوميا (Phoma)، والحالة السليمة للنبات. وبدلاً من الاعتماد على نوع واحد من الرؤية الحاسوبية، بنوا إطار عمل هجين يجمع بين قوتين مختلفتين. يعمل جزء من النظام مثل المجهر، حيث يركز على رؤية الأنسجة الدقيقة والتفاصيل المحلية على سطح الورقة. بينما يعمل الجزء الآخر مثل عدسة واسعة الزاوية، حيث يتراجع للخلف لفهم الشكل العام وسياق الورقة بأكملها. ومن خلال دمج هذين المنظورين، يتعلم النظام رؤية المرض بوضوح أكبر مما يمكن لأي من الطريقتين تحقيقه بمفرده. والأهم من ذلك، أن الباحثين زودوا هذا النظام بأداة تسلط الضوء بدقة على الأجزاء التي ينظر إليها الحاسوب عند اتخاذ قراره. تسمح هذه الشفافية للمزارع برؤية منطق الحاسوب، مما يؤكد أن الآلة تركز على بقع المرض الفعلية وليس على الضوضاء العشوائية أو ظلال الخلفية.

اختبر الباحثون إطار عملهم الجديد على مجموعة كبيرة تضم 12,000 صورة عالية الجودة لأوراق القهوة تم جمعها من مراكز أبحاث ومزارع رئيسية في جميع أنحاء إثيوبيا. وقسموا هذه المجموعة إلى مجموعات، مستخدمين معظم الصور لتعليم الحاسوب والباقي لاختبار معرفته. تم تدريب النظام للتمييز بين الفئات الأربع، حيث تعلم التفريق بين الورقة السليمة وتلك المصابة بالعدوى الفطرية. وعندما بدأت مرحلة الاختبار، أثبت النظام الهجين دقة استثنائية؛ فقد حدد حالة الأوراق بشكل صحيح في 98.67 بالمائة من حالات الاختبار. كان هذا الأداء أفضل قليلاً من النماذج الحاسوبية الشهيرة الأخرى التي قارنها بها الباحثون، والتي حققت درجات تتراوح بين 98.06 بالمائة و98.56 بالمائة. كان النظام الجديد بارعاً بشكل خاص في التمييز بين الأوراق السليمة والمصابة. ومع ذلك، ظل التمييز بين المرضين المتشابهين بصرياً، وهما صدأ الأوراق والفوميا، المهمة الأكثر تحدياً لجميع النماذج، حيث وقعت معظم حالات الخطأ في التصنيف عندما خلط النظام بين صدأ الأوراق والفوميا. ورغم هذه الصعوبة، نجح الإطار الهجين في التفوق على النماذج القديمة في تصنيف صدأ الأوراق، مما أظهر ميزة الجمع بين تحليل النسيج المحلي والسياق العام حتى في الحالات الأكثر صعوبة.

بعيداً عن الأرقام، تكمن النتيجة الأكثر أهمية في كيفية شرح النظام لنفسه. استخدم الباحثون تقنية تصور لإنشاء خرائط حرارية، وهي عبارة عن طبقات ملونة تظهر أين يتركز انتباه الحاسوب في الصورة. فعندما يشخص النظام مرضاً ما، تسلط هذه الخرائط الحرارية الضوء باستمرار على الآفات أو البقع أو نتوءات الصدأ التي يعرف علماء أمراض النبات أنها علامات المرض. على سبيل المثال، عند تشخيص ورقة مصابة بالفوميا، ركز الحاسوب بدقة على البقع النخرية وحوافها. وعند النظر إلى ورقة سليمة، لم يظهر الحاسوب أي تركيز، مما يشير إلى أنه لم يرَ أي أنماط مرضية. إن هذا التوافق بين تركيز الحاسوب ومعرفة الخبراء البشريين أمر حيوي؛ فهو يحول النظام من "عراف غامض" إلى شريك موثوق. يمكن للمزارع أو العامل في الإرشاد الزراعي النظر إلى الصورة والخريطة الحرارية معاً، ورؤية السبب الذي جعل الحاسوب يتخذ قراره بالضبط. هذا الدليل البصري يبني الثقة اللازمة لاعتماد هذه الأدوات في الزراعة الواقعية، حيث تكون الثقة لا تقل أهمية عن الدقة.

تقر الدراسة بأنه رغم قوة النتائج، إلا أن العمل لم ينتهِ بعد. فقد جاءت مجموعة البيانات المستخدمة للتدريب من مناطق محددة في إثيوبيا، وقد يحتاج النظام إلى مزيد من الاختبار في بيئات مختلفة لضمان عمله في كل مكان. بالإضافة إلى ذلك، يتطلب النموذج الهجين قدرة حوسبية أكبر من الأنظمة الأبسط، مما قد يجعل تشغيله على الهواتف الذكية الأساسية أمراً صعباً دون مزيد من التحسين. ومع ذلك، وضع الباحثون مساراً واضحاً للمضي قدماً؛ حيث يقترحون أن النسخ المستقبلية من هذه التكنولوجيا يمكن ضغطها لتعمل على الأجهزة المحمولة، ودمجها مع بيانات الطقس لتقديم تنبؤات أفضل، وتوسيع نطاقها لتغطية المزيد من أنواع المشكلات النباتية. ومن خلال الجمع بين القدرة على رؤية التفاصيل الدقيقة والقدرة على فهم الصورة الكاملة، ومن خلال جعل هذه العملية مرئية للمستخدم، يقدم هذا البحث خطوة واعدة نحو مستقبل تدعم فيه التكنولوجيا حكمة مزارعي القهوة الإثيوبيين بدلاً من استبدالها. الهدف ليس مجرد اكتشاف المرض، بل القيام بذلك بطريقة يمكن للناس فهمها، والثقة بها، واستخدامها لحماية محاصيلهم وسبل عيشهم.