YOLO-Based Deep Learning for Citrus Fruit Detection, Counting, and Yield Estimation in Complex Orchard Environments: A Systematic Review

تخيل بستاناً من أشجار البرتقال، أغصانها مثقلة بالثمار، مخبأة تحت مظلة من الأوراق. بالنسبة لعامل بشري، فإن عد كل ثمرة برتقال في مشهد كهذا هو مهمة بطيئة ومرهقة وعرضة للخطأ؛ فقد يحسب شخص ما الثمرة مرتين، بينما يغفل آخر عن أخرى مختبئة في الظل العميق. وبالنسبة للمزارعين، فإن الخطأ في هذا العد يعني سوء تقدير كمية الثمار التي سيحصدونها، مما يربك كل شيء، بدءاً من توظيف العمالة وصولاً إلى التخطيط لعدد الشاحنات المطلوبة. ولحل هذه المشكلة، لجأ العلماء إلى الكاميرات والحواسيب، حيث علموا الآلات كيف "ترى" الثمار تماماً كما يفعل البشر. والأداة الأكثر شيوعاً لهذه المهمة هي نوع من البرمجيات يسمى YOLO، والذي يرمز إلى "You Only Look Once" (أنت تنظر مرة واحدة فقط). إنه نظام سريع وفعال مصمم لمسح صورة وتحديد الأشياء فوراً، مما يجعله مثالياً للروبوتات أو الطائرات بدون طيار التي تحتاج إلى اتخاذ قرارات في أجزاء من الثانية أثناء تحركها عبر البستان. ولكن مع زيادة شيوع هذه الأدوات، أصبح المجال مزدحماً بمئات الدراسات المختلفة، التي تدعي كل منها أنها وجدت طريقة أفضل لعد الحمضيات. ويبقى السؤال: هل هذه الأنظمة جاهزة حقاً للعالم الحقيقي، أم أنها جيدة فقط في الأداء داخل مختبر محكوم؟

لقد وضع فريق من الباحثين هدفاً للإجابة على ذلك من خلال إلقاء نظرة شاملة على ما يقرب من مائتي دراسة علمية استخدمت أنظمة الكشف السريعة هذه للعثور على ثمار الحمضيات وعدها. لم يكتفوا بقراءة العناوين الرئيسية، بل تعمقوا في التفاصيل لتسعين دراسة محددة، مطبقين مجموعة صارمة من القواعد لمعرفة ما يحدث فعلياً وراء الأرقام. كان هدفهم هو فهم ليس فقط مدى كفاءة أداء الحواسيب، بل أيضاً كيف اختبر الباحثون تلك الأنظمة وما إذا كانت النتائج يمكن الوثوق بها. وقد وجدوا أن التكنولوجيا قد نضجت بالفعل؛ فعندما تُختبر هذه الأنظمة على صور الثمار، تكون دقيقة بشكل ملحوظ، حيث تحدد بدقة الغالبية العظمى من البرتقال والليمون والمندرين الذي تراه. وفي المتوسط، وجدت الأنظمة حوالي تسعين بالمائة من الثمار الموجودة فعلياً، وكانت صحيحة بنسبة تسعين بالمائة عندما قالت إنها وجدت شيئاً ما. ويشير هذا المستوى من الأداء إلى أن التكنولوجيا الأساسية تعمل بشكل جيد بما يكفي لتكون مفيدة.

ومع ذلك، وجد الباحثون أن القصة أكثر تعقيداً مما توحي به معدلات النجاح المرتفلة. فبينما تجيد الحواسيب رصد الثمار في الصور، فإن الطريقة التي يختبر بها العلماء هذه الأنظمة غالباً ما تكون معيبة. ففي كل دراسة تمت مراجعتها تقريباً، أجرى الباحثون اختباراتهم مرة واحدة فقط، دون تكرار التجربة للتأكد مما إذا كانت النتائج متسقة أم مجرد ضربة حظ. علاوة على ذلك، اعتمدت معظم الدراسات على مجموعات صغيرة جداً من الصور، غالباً ما تم التقاطها من بستان واحد في ظل ظروف إضاءة مثالية. وهذا يشبه اختبار سيارة على مضمار سلس وفارغ في فصل الصيف، ثم افتراض أنها ستتعامل مع طريق جبلي ثلجي بنفس الكفاءة. ووجد الباحثون أنه عندما تختبئ الثمار خلف الأوراق، أو عندما تندمج الثمار الخضراء مع الأوراق الخضراء، تعاني الحواسيب بشكل كبير. كما لاحظوا أن دراسات قليلة جداً اختبرت أنظمتها فعلياً على روبوتات أو طائرات بدون طيار في الميدان؛ إذ تم اختبار معظمها على حواسيب قوية في المختبر، وهو بيئة تختلف تماماً عن البستان المترب وغير المتوقع.

كما سلطت المراجعة الضوء على أن المجال قد استقر على مجموعة شائعة من الأدوات. فمعظم الباحثين يستخدمون النسخ نفسها من برمجيات الكشف ويقومون بإجراء تعديلات مماثلة لتحسينها، مثل إضافة وحدات خاصة لمساعدة الحاسوب على التركيز على أجز de مهمة من الصورة أو جعل البرنامج أخف وزناً ليعمل على أجهزة أصغر. ومع ذلك، ورغم هذه الأساليب المشتركة، لا توجد مجموعة بيانات معيارية واحدة يستخدمها الجميع لمقارنة نتائجهم. الأمر يشبه وجود طباخ في العالم يحاول إثبات أنه يصنع أفضل حساء، لكن لا يوجد طباخان يستخدمان نفس المكونات أو نفس الوصفة، مما يجعل من المستحيل معرفة من هو الأفضل حقاً. ووجد الباحثون أن نسبة ضئيلة جداً من الدراسات استخدمت كاميرات متطورة يمكنها رؤية ما هو أكثر من مجرد الضوء المرئي، مثل المستشعرات التي تكتشف الحرارة أو ألواناً محددة غير مرئية للعين البشرية، والتي يمكن أن تساعد في تمييز الثمار عن الأوراق بسهولة أكبر.

وفي الختام، خلصت الدراسة إلى أنه بينما وصلت القدرة على اكتشاف ثمار الحمضيات بواسطة الحواسيب إلى مستوى عالٍ من الدقة في البيئات المحكومة، فإن المجال ليس جاهزاً بعد للاستخدام الواسع والموثوق في الزراعة الواقعية. التكنولوجيا نفسها ليست هي المشكلة الأساسية؛ بل تكمن المشكلة في كيفية التحقق من صحتها. ويرى الباحثون أن العمل المستقبلي يجب أن يركز على اختبار هذه الأنظمة في ظروف متنوعة وصعبة، وعلى الأجهزة الفعلية المستخدمة في الميدان، بدلاً من الاكتفاء بالمختبر. كما يدعون إلى وجود معيار مشترك للاختبار حتى يمكن مقارنة الأنظمة المختلفة بإنصاف، وإلى إجراء فحوصات إحصائية أكثر صرامة لضمان إمكانية تكرار النتائج. وإلى أن تُتخذ هذه الخطوات، سيظل الوعد بالعد الآلي الكامل للثمار وتقدير الإنتاج بعيد المنال، بانتظار أساس أكثر صلابة من الأدلة لدعم هذا الطموح.