Enhancing Jute Crop Management with Hybrid EfficientNetB7 for Disease Prediction

في الحقول الشاسعة والمشمسة في بنغلاديش، يشكل محصول يُعرف باسم "الألياف الذهبية" العمود الفقري لاقتصاد وطني. فالجوت، وهو نبات يحظى بتقدير كبير لأليافه الطبيعية القوية المستخدمة في كل شيء من الأكياس إلى التغليف الصديق للبيئة، يعد حيوياً لسبل عيش الملايين. ومع ذلك، وكحال جميع الكائنات الحية، فإن الجوت عرضة للمرض. إذ يمكن أن تتحول الأوراق إلى اللون الأصفر بسبب فيروسات الفسيفساء، ويمكن أن تتعفن السيقان، ويمكن أن تنتشر البقع عبر الأوراق، مما يهدد بمحو حصاد كامل. ولأجيال، اعتمد المزارعون على أعينهم وخبراتهم لرصد هذه المشكلات، وهي طريقة بطيئة، وعرضة للخطأ البشري، وغالباً ما تأتي متأخرة جداً لإنقاذ المحصول. وفي السنوات الأخيرة، بدأ مجال الزراعة في احتضان نوع جديد من المساعدين: الذكاء الاصطناعي. تستخدم هذه التكنولوجيا الرؤية الحاسوبية، وهي فرع من العلوم حيث تتعلم الآلات "الرؤية" وتفسير الصور تماماً كما يفعل البشر، لتحديد الأنماط التي قد تكون غير مرئية بالعين المجردة. ومن خلال تدريب هذه الأنظمة الرقمية على آلاف الصور، يمكن للباحثين تعليمها التمييز بين الورقة السليمة والورقة المصابة بمرض ما بسرعة ودقة مذهلتين، مما يوفر شريان حياة محتملاً للمزارعين الذين يحتاجون إلى التحرك بسرعة لحماية محاصيلهم.

لقد شرع فريق من الباحثين من جامعة دكا الدولية في تطبيق هذه التكنولوجيا خصيصاً على حقول الجوت في بلدهم الأم. كان هدفهم هو بناء نظام مؤتمت يمكنه النظر إلى صورة لنبات الجوت وإخبار المزارع فوراً بما هو الخطأ. ولتحقيق ذلك، جمعوا مجموعة من الصور عالية الدقة، التي التقطت كلاً من الأوراق والسيقان السليمة وتلك التي تعاني من سبعة أنواع مختلفة من الأمراض، بما في ذلك الأنثراكنوز (النقرة)، والنطاق الأسود، والذبول الراجع. وقد عملوا عن كثب مع خبراء في معهد بنغلاديش لأبحاث الجوت لضمان تصنيف كل صورة بشكل صحيح، مما خلق مكتبة موثوقة من الأمثلة المرئية ليدرسها الحاسوب. ثم اختبر الفريق عدة "أدمغة" رقمية مختلفة، أو نماذج، لمعرفة أي منها يمكنه تعلم المهمة بشكل أفضل. بدأوا بنموذج تم بناؤه خصيصاً من الصفر، ثم انتقلوا إلى أنظمة موجودة مسبقاً وأكثر تعقيداً تُعرف باسم VGG16 وDenseNet121، والتي تعلمت بالفعل التعرف على الأشياء العامة من مكتبة ضخمة من الصور. وأخيراً، قاموا ببناء نموذج هجين يعتمد على بنية متطورة تسمى EfficientNetB7، والتي صمموها خصيصاً لتناسب الأنسجة والألوان الفريدة لأوراق الجوت.

كشفت نتائج تجاربهم عن فائز واضح في سباق الدقة. فقد عانى النموذج المبني خصيصاً، والذي كان عليه تعلم كل شيء من الصفر، من صعوبة في تعميم نتائج بحثه، حيث تمكن من تحديد حوالي 56 بالمائة فقط من صور الاختبار بشكل صحيح. كانت بداية واعدة، لكنها أظهرت أن بناء نظام من لا شيء لم يكن المسار الأكثر كفاءة. حققت النماذج المدربة مسبقاً أداءً أفضل بكثير، حيث وصل نظام VGG16 إلى دقة 86 بالمائ^، بينما صعد نظام DenseNet121 إلى ما يقرب من 88 بالمائ^. أثبتت هذه الأرقام أن استخدام نظام تعلم بالفعل كيف يرى العالم يمكن أن يكون طريقاً مختصراً قوياً. ومع ذلك، جاء الاختراق الحقيقي مع نموذج EfficientNetB7 الهجين. فمن خلال الجمع بين قدرات التعلم العميق لهذه البنية المتقدمة مع تصميم مخصص يدمج طبقات مختلفة من المعلومات المرئية، نجح الباحثون في إنشاء نظام حقق دقة اختبار بلغت 99.7 بالمائ%. ومن الناحية العملية، هذا يعني أنه من بين كل ألف صورة فحصها النظام، حدد الحالة الصحية للنبات بشكل صحيح في كل حالة تقريباً، مع وجود ارتباك ضئيل جداً بين الأمراض المختلفة.

يوحي نجاح هذا النموذج الهجين بأن مستقبل زراعة الجوت قد يتضمن أدوات أكثر موثوقية من الملاحظة البشرية وحدها. فقد أثبت النظام قدرته على التمييز بين الاختلافات الدقيقة في لون الورقة وملمسها التي غالباً ما تخدع حتى المزارعين ذوي الخبرة، مثل التمييز بين ورقة مصابة بمرض النطاق الأسود وورقة مصابة بالأنثراكنوز. ووجد الباحثون أن النموذج أدى ببراعة استثنائية على بيانات الاختبار المحددة المقدمة، رغم أنهم حذروا من أن هذه الدقة العالية يمكن أن تشير أحياناً إلى "الفرط في التخصيص" (overfitting) إذا لم تكن بيانات الاختبار مستقلة تماماً عن بيانات التدريب. وتعد هذه الدرجة من الموثوقية أمراً بالغ الأهمية للتطبيق في العالم الحقيقي، حيث يمكن أن يؤدي الإنذار الخاطئ إلى استخدام غير ضروري للمبيدات، ويمكن أن يؤدي التشخيص الخاطئ إلى فقدان المحصول. وتشير الدراسة إلى أنه من خلال دمج مثل هذا النظام في تطبيق للهاتف المحمول، يمكن للمزارعين التقاط صورة لنبات يعاني وتلقي تشخيص فوري بمستوى الخبراء، مما يسمح لهم باتخاذ التداب_الإجراءات الوقائية قبل أن ينتشر المرض عبر حقولهم.

بينما تعد النتائج مثيرة للإعجاب، إلا أن الباحثين يظلون واقعيين في إدراكهم أن هذا العمل هو خطوة في رحلة أكبر. لقد أجريت الدراسة باستخدام مجموعة محددة من الصور، ويقر الفريق بأنه لكي يكون النظام قوياً حقاً، فإنه سيحتاج إلى الاختبار على بيانات من مناطق مختلفة، وتحت ظروف إضاءة متغيرة، وعبر مراحل نمو مختلفة للمحصول. إنهم يتصورون مستقبلاً لا تكون فيه هذه التكنولوجيا مجرد تجربة مختبرية، بل أداة عملية يتم نشرها على الهواتف الذكية وتوصيلها بالإنترنت، لتوفل شبكة أمان للمجتمع الزراعي. ومن خلال تحويل المهمة المعقدة للكشف عن الأمراض إلى عملية مؤتمتة وبسيطة، يقدم هذا البحث مساراً ملموساً نحو حماية الألياف الذهبية وتأمين المستقبل الاقتصادي للمزارعين الذين يعتمدون عليها. ويظهر هذا العمل أنه عندما يلتقي علم الحاسوب المتقدم مع الزراعة التقليدية، يمكن أن تكون النتيجة حليفاً قوياً في محاربة أمراض المحاصيل.