Explainable Deep Learning-Based Potato Leaf Disease Detection and Severity Assessment for Smart Agriculture in Bangladesh

في الحقول الخصبة في بنغلاديش، لا يُعد البطاطس مجرد محصول فحسب؛ بل هو حجر الزاوية للأمن الغذائي الوطني وشريان حياة حيوي للأسر الريفية. ومع ذلك، يواجه هذا النبات الأساسي تهديداً صامتاً ومستمراً من الأمراض الفطرية التي يمكن أن تدمر محاصيل بأكملة إذا لم يتم اكتشافها مبكراً. ولأجيال، اعتمد المزارعون على أعينهم الخاصة ونصائح الخبراء المحليين لرصد هذه الإصابات، وهي عملية بطيئة، وذاتية، وغالباً ما تأتي متأخرة جداً لمنع وقوع أضرار جسيمة. وعندما يتم تشخيص المرض بشكل خاطئ أو يُساء فهم شدته، قد يقوم المزارعون برش المواد الكيميائية دون ضرورة، مما يضر بالتربة وصحتهم، أو قد يفشلون في اتخاذ الإجراء اللازم عندما تكون الاستجابة السريعة مطلوبة. ويكمن الحل في مجال من علوم الحاسوب حيث تتعلم الآلات الرؤية بما قد تغفل عنه العين البشرية: التعلم العميق. تتيح هذه التكنولوجيا للآلات دراسة آلاف الصور، لتعلم التعرف على الأنماط المعقدة للأمراض التي قد تكون غير مرئية للمراقبين غير المدربين. ومع ذلك، لكي تحظى هذه الأدوات بثقة المزارعين والخبراء الزراعيين، يجب أن تفعل أكثر من مجرد التخمين الصحيح؛ يجب أن تشرح لماذا توصلت إلى استنتاج معين، محولةً القرار الحاسوبي الغامض إلى تشخيص بصري واضح.

لقد أخذ فريق من الباحثين في بنغلاديش هذا المفهوم وبنوا نظاماً عملياً مصمماً لحماية محاصيل البطاطس بوضوح غير مسبوق. يركز عملهم على إنشاء أداة تشخيص رقمية لا تحدد فقط ما إذا كانت ورقة البطاطس سليمة أم تعاني من اثنين من أكثر الأمراض تدميراً — اللفحة المبكرة واللفحة المتأخرة — بل تشرح أيضاً منطقها وتقيس مدى سوء العدوى. ولتحقيق ذلك، طور العلماء نموذجاً حاسوبياً متطوراً يعتمد على نوع محدد من بنية الذكاء الاصطناٍعي تُعرف باسم "EfficientNet". يعمل هذا النموذج كراصد مدرب تدريباً عالياً، قادراً على التمييز بين الورقة السليمة وتلك المغطاة بالبقع الداكنة النخرية الناتلة عن اللفحة المبكرة أو التحلل المنتشر الناتج عن اللفحة المتأخرة. وقد درب الباحثون هذا النظام باستخدام مجموعة واسعة من الصور، حيث جمعوا بين الصور المختبرية المعيارية والصور الواقعية الملتقطة من حقول البطاطس الفعلية في بنغلاديش، مما يضمن قدرة الأداة على التعامل مع الظروف غير المتوقعة والفوضوية في المزارع الحقيقية.

إن الابتكار الحقيقي في هذه الدراسة، مع ذلك، يتجاوز مجرد التصنيف البسيط. فقد دمج الباحثون تقنية تسمى "Grad-CAM"، والتي تعمل بمثابة "كشاف ضوئي" لتركيز انتباه الكمبيوتر. فعندما يضع النموذج تشخيصاً، تقوم هذه الميزة بإنشاء خريطة حرارية تتراكب فوق صورة الورقة الأصلية، مما يسلط الضوء بدقة على الأجزاء التي استخدمها الكمبيوتر لاتخاذ قراره. فإذا حدد النموذج اللفحة المبكرة، فإن الخريطة الحرارية تتوهج فوق الآفات البنية المحددة، مما يثبت أن الآلة تنظر إلى المرض نفسه وليس مخدوعة بالظلال أو تربة الخلفية. هذه الشفافية تزيل طبيعة "الصندوق الأسود" للعديد من الأنظمة الحاسوبية المتقدمة، مما يسمح للمزارعين والمهندسين الزراعيين برؤية الأدلة بأنفسهم. ولا يتوقف النظام عند تحديد الهوية فحسب؛ بل يتضمن أيضاً وحدة تحسب النسبة المئوية للورقة المصابة. ومن خلال قياس نسبة الأنسجة المصابة إلى الأنسجة السليمة، يمكن للأداة تصنيف العدوى كخفيفة، أو متوسطة، أو شديدة، مما يوفر مقياساً دقيقاً ضرورياً لتحديد المسار الصحيح للعمل.

تظهر نتائج هذا البحث مستوى مذهلاً من الدقة. فعندما اختبر الفريق نظامهم مقابل مجموعة كبيرة من الصور، حدد نموذج "EfficientNet" الحالة الصحية لأوراق البطاطس بدقة بلغت 99.37 في المائة. وكان هذا الأداء متفوقاً على نماذج حاسوبية متقدمة أخرى اختبروها، بما في ذلك تلك القائمة على بنيات قديمة ومعروفة. وكان النظام فعالاً بشكل خاص في التمييز بين نوعي اللفحة، اللذين قد يبدوان متشابهين جداً في مراحلهما الأولى، محققاً معدلات دقة تتجاوز 99 في المائة لكلا المرضين. والأهم من ذلك، أن التفسيرات البصرية التي قدمتها الخرائط الحرارية أكدت أن النموذج كان يركز على السمات البيولوجية الصحيحة، مثل أنماط التحلل المحددة، بدلاً من تفاصيل الخلفية غير ذات الصلة. هذا الجمع بين الدقة العالية والإثبات البصري يشير إلى أن النظام جاهز للانتقال من المختبر إلى الحقل.

لقد قام الباحثون بتعبئة هذه التكنولوجيا بحيث يمكن نشرها بسهولة على الهواتف المحمولة أو تطبيقات الويب، مما يجعل التشخيص بمستوى الخبراء متاحاً للمزارعين في المناطق النائية الذين لم يكن لديهم مثل هذه الموارد سابقاً. ومن خلال توفير تقييم بصري وكمي واضح لشدة المرض، تمكن هذه المنظومة المزارعين من اتخاذ قرارات مدروسة بشأن متى وكيفية علاج محاصيلهم. تساعد هذه الدقة في منع الإفراط في استخدام المبيدات الكيميائية، مما يحمي البيئة ويقلل التكاليف مع حماية المحصول. وتخلص الدراسة إلى أن هذا النهج يمثل خطوة كبيرة للأمام نحو الزراعة الذكية في بنغلاديش، حيث يسد الفجوة بين الذكاء الاصطناعي المعقد والاحتياجات العملية للناس الذين يزرعون غذاء الأمة. وسيهدف العمل المستقبلي إلى توسيع نطاق النظام من خلال دمج البيانات من مستشعرات التربة والطائرات بدون طيار، لكن الإطار الحالي يقدم بالفعل أداة قوية وشفافة وموثوقة لتأمين حصاد البطاطس ضد تهديدات الأمراض.