PCR-Validated Comparative Deep Learning Analysis of CNN and YOLO Models for UAV-Based multi-spectral Detection of Sugarcane White Leaf Disease (WLD)
تُثبت هذه الدراسة الجدوى التقنية لاستخدام الصور متعددة الأطياف الملتقطة بواسطة الطائرات بدون طيار والمحققة عبر تقنية PCR، ونماذج التعلم العميق، ولا سيما الشبكة العصبية التلافيفية (CNN) التي حققت درجة F1 بنسبة 97.17%، للكشف الآلي عن مرض "الورقة البيضاء" في قصب السكر، مع تسليط الضوء على الحاجة إلى مزيد من التحقق عبر مجموعات بيانات أكبر وأصناف متنوعة قبل النشر التشغيلي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في حقول سريلانكا الشاسعة والمشمسة، لا يُعد قصب السكر مجرد محصول فحسب؛ بل هو حجر الزاوية في الاقتصاد المحلي ومصدر حيوي للغذاء والوقود. ومع ذلك، يواجه هذا الحصاد الثمين تهديدًا صامتًا وغير مرئي يُعرف باسم "مرض الورقة البيضاء". يتسبب هذا المرض، الذي تسببه كائنات مجهرية تغزو خلايا النبات، في تجريد الأوراق من صبغتها الخضراء، مما يؤدي إلى وقف عملية التمثيل الضوئي ويؤدي في النهاية إلى موت المحصول. لعقود من الزمن، اعتمد المزارعون على الفحص البصري للعثور على النباتات المصابة، ولكن بحلول الوقت الذي تصبح فيه الأوراق الصفراء واضحة للعين البشرية، يكون المرض قد انتشر بالفعل في كثير من الأحيان. والطريقة الوحيدة للتأكد تمامًا من أن النبات مريض هي أخذ عينة من الورقة واختبارها في المختبر، وهي عملية دقيقة ولكنها بطيئة ومكلفة للغاية لاستخدامها في آلاف الأفدنة. وهذا يترك فجوة خطيرة بين بدء المرض والوقت الذي يمكن فيه إيقافه.
ولسد هذه الفجوة، يتجه الباحثون نحو السماء. حيث يمكن للطائرات بدون طيار، أو "الدرونز"، المزودة بكاميرات خاصة أن تحلق فوق الحقول وتلتقط صورًا تكشف عن صحة النباتات قبل وقت طويل من قدرة العين البشرية على رؤية المشكلة. هذه الكاميرات لا ترى العالم بالألوان الأحمر والأخضر والأزرق فحسب؛ بل ترى في نطاقات محددة من الضوء، بما في ذلك الأطوال الموجية تحت الحمراء غير المرئية التي تُظهر كيفية استخدام النباتات للطاقة. ومن خلال الجمع بين هذه الصور عالية التقنية والذكاء الاصطناعي، يأمل العلماء في إنشاء نظام يمكنه رصد النباتات المريضة فورًا من الأعلى. وقد وضعت دراسة حديثة أجراها باحثون في جامعة "روهونا" في سريلانكا هذه الفكرة قيد الاختبار، باستخدام منهجية صارمة لمعرفة ما إذا كان بإمكان الحواسيب تعلم تحديد مرض الورقة البيضاء بنفس اليقين الذي توفره الاختبارات المختبرية.
بدأ الباحثون باختيار ثلاثة عشر حقلًا تجاريًا لقصب السكر عبر ثلاث مناطق مختلفة في سريلانكا. لم يخمنوا أي النباتات كانت مريضة؛ بل قاموا بجولات ميدانية، ووضعوا علامات على نباتات فردية، وأخذوا عينات من الأوراق إلى المختبر. وهناك، استخدم العلماء تقنية جزيئية تسمى "تفاعل البوليميراز المتسلسل" (PCR) لتأكيد وجود الكائن المسبب للمرض. كانت هذه الخطوة حاسمة؛ ففي العديد من الدراسات، يصنف الباحثون النبات على أنه "مريض" لمجرد أنه يبدو بشكل معين، لكن الأعراض البصرية قد تكون مضللة. ومن خلال استخدام الاختبار المختبري كحقيقة نهائية، ضمن الفريق أن كل صورة قاموا بتحليلها مرتبطة بتشخيص مؤكد. وفي المجمل، جمعوا بيانات من 115 نباتًا: 102 نباتًا سليمًا و13 نباتًا تأكد إصابتها بمرض الورقة البيضاء.
ومع امتلاك هذه الحقيقة الأرضية المؤكدة، حلق الفريق بطائرة بدون طيار فوق الحقول. كانت الطائرة تحمل نظام كاميرا قادرًا على التقاط صور في ست قنوات مختلفة: كاميرا ألوان قياسية وخمسة مستشعرات متخصصة ترى نطاقات ضيقة من الضوء، تتراوح من الأزرق إلى الأشعة تحت الحمراء القريبة. حلقت الطائرة على ارتفاع 30 مترًا، والتقطت صورًا دقيقة جدًا لدرجة أنه يمكن تمييز الأوراق الفردية. بعد ذلك، استخدم الباحثون برامج لدمج هذه الآلاف من الصور الفردية لتكوين خرائط كبيرة وسلسة للحقول. ومن هذه الخرائط، استخرجوا صورًا مربعة صغيرة لكل نبات من النباتات الـ 115 الموسومة، مما خلق مكتبة رقمية مكونة من 1,800 صورة تمثل النطاق الكامل لظروف الضوء ومظاهر النباتات الموجودة في الحقول.
كان جوهر الدراسة عبارة عن منافسة بين ثلاثة أنواع مختلفة من نماذج الذكاء الاصطناعي لمعرفة أي منها يمكنه تحديد النباتات المريضة بشكل أفضل. صُمم نموذجان ليعملا مثل إنسان يبحث عن جسم محدد، حيث يرسم مربعًا حول المرض، بينما صُمم النموذج الثالث لينظر إلى الصورة بأكملة ويقرر ببساطة ما إذا كانت سليمة أم مريضة. قام الباحثون بتدريب هذه النماذج باستخدام الصور التي جمعوها، مع موازنة البيانات بعناية لضمان رؤية الحواسيب لأمثلة كافية عن النباتات المريضة النادرة لتعلم ما يجب البحث عنه. ثم اختبروا النماذج على مجموعة منفصلة من الصور التي لم تعرضها على الحواسيب من قبل، للتحقق من النتائج مقابل اختبارات الـ PCR المختبرية الأصلية لمعرفة مدى دقة الذكاء الاصطناعي.
أظهرت النتائج أن نموذج التصنيف على مستوى الصورة، وهو نوع من الشبكات العصبية التلافيفية المعروفة بالتعلم العميق، قد أدى أداءً استثنائيًا. فقد حدد النباتات المريضة بدقة تقترب من 99 بالمئة، واكتشف 95 بالمئة من جميع النباتات المصابة فعليًا في مجموعة الاختبار. وهذا يعني أنه عندما يقول النموذج إن النبات مريض، فإنه على الأرجح محق، ولم يفت الكثير من الحالات الفعلية. كما قدم نموذجا اكتشاف الأشياء أداءً جيدًا، حيث حددا المرض في غالبية الحالات، وإن كانا أقل دقة قليلاً من نموذج التصنيف. وظهر اكتشاف رئيسي عندما فحص الباحثون أي ألوان الضوء كانت الأكثر فائدة للذكاء الاصطناعي؛ حيث وجدوا أن نطاق الضوء الأخضر كان الأكثر أهمية لنماذج اكتشاف الأشياء لرصد المرض، ويرجع ذلك على الأرجح إلى أن فقدان الصبغة الخضراء هو أوضح علامة على العدوى. ومع ذلك، كان نموذج التصنيف قادرًا على استخدام معلومات من معظم نطاقات الضوء، متجاهلاً فقط الضوء الأزرق الذي بدا أنه يسبب ارتباكًا بدلاً من الوضوح.
على الرغم من هذه الأرقام المثيرة للإعجاب، فإن الباحثين حذرون من إعلان حل المشكلة. فهم يؤكدون أن دراستهم أُجريت خلال موسم نمو واحد وشملت نوعين محددين فقط من قصب السكر. وعلى الرغم من أن مجموعة البيانات، رغم دقتها، كانت صغيرة نسبيًا، حيث لم تتضمن سوى 13 نباتًا مصابًا مؤكدًا في البداية. وبسبب ذلك، فإن الدرجات العالية التي حققها الذكاء الاصطناعي قد تكون متفائلة، وقد تنخفض إذا تم اختبار النظام على محاصيل مختلفة، أو في طقس مختلف، أو في أجزاء أخرى من العالم. كما أشارت الدراسة إلى أن الطريقة التي أعدوا بها البيانات للتدريب أدت إلى خطر ضئيل يتمثل في احتمال قيام الكمبيوتر بحفظ أنماط معينة بدلاً من تعلم قواعد عامة، وهو قصور يجب أن تعالجه الأبحاث المستقبلية.
تخلص الدراسة إلى أن الجمع بين صور الطائرات بدون طيار والتعلم العميق هو أمر ممكن تقنيًا ويحمل وعودًا كبيرة لمستقبل الزراعة. فهي تثبت أنه من الممكن اكتشاف هذا المرض المدمر مبكرًا باستخدام تكنولوجيا أسرع وأقل تدميرًا من الطرق التقليدية. ومع ذلك، قبل طرح هذه التكنولوجيا للمزارعين للاستخدام اليومي، يجب اختبارها على نطاق أوسع بكثير. ويقترح الباحثون أن الخطوة التالية هي جمع البيانات عبر مواسم متعددة ومن أنواع أكثر من قصب السكر لضمان أن يكون النظام قويًا بما يكفي للتعامل مع الطبيعة غير المتوقعة للزراعة الواقعية. وحتى ذلك الحين، يظل هذا العمل بمثابة إثبات قوي للمفهوم، يوضح أنه مع الأدوات الصحيحة والتحقق الدقيق، يمكن للذكاء الاصطناعي أن يساعد في حماية إمدادات الغذاء العالمية من التهديدات غير المرئية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.