⚡ الهندسة الكهربائية

ROI-Guided Lesion Segmentation for Maize Disease Phenotyping in Field Images

تقترح هذه الدراسة إطار عمل مكوناً من مرحلتين باستخدام كاشف DT-YOLO مُحسَّن لتوليد مناطق اهتمام عالية الجودة لشبكة تقسيم DeepLabV3+ ثابتة، مما يثبت أن تحسين المحاذاة المكانية لمنطقة الاهتمام يعزز تحديد آفات أمراض الذرة في الصور الميدانية على الرغم من استمرار أخطاء التحديد الموضعي.

المؤلفون الأصليون: Antimo Asumu Bayeme Mbang, Chunyang Wang, Angel Felipe Nzang Mba Besili, Mutamuriza Asifiwe

نُشر 2026-10-14

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Antimo Asumu Bayeme Mbang, Chunyang Wang, Angel Felipe Nzang Mba Besili, Mutamuriza Asifiwe

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 الحقول الشاسعة والمشمسة حيث يغذي الذرة المليارات، تُخاض معركة صامتة باستمرار ضد الغزاة الفطرية والفيروسية. بالنسبة للمزارعين، غالباً ما يكمتد الفرق بين حصاد وفير ومحصول تالف في مدى سرعة ودقة قدرتهم على رصد العلامات الأولى للمرض. تقليدياً، اعتمد هذا الأمر على العيون البشرية التي تمسح صفوفاً لا متناهية من الأوراق، وهي عملية بطيئة، وذاتية، وعرضة لتفويت التحذيرات المبكرة الخفية لمرض اللفحة أو الصدأ. وفي السنوات الأخيرة، لجأ العلماء إلى الحواسيب للمساعدة، حيث قاموا بتعليمها كيفية التعرف على النباتات المريضة من خلال الصور الفوتوغرافية. ومع ذلك، فإن مجرد تحديد أن النبات مريض غالباً ما يكون غير كافٍ؛ فلفهم شدة العدوى حقاً، يجب أن يكون المرء قادراً على رسم خريطة للشكل والحجم الدقيق للبقع المتضررة على الورقة. وهذه مهمة صعبة على الحاسوب، خاصة عندما تكون الخلفية مزدحمة بالتربة والنباتات الأخرى، وتتغير الإضاءة باستمرار. ويكمن التحدي في تعليم الآلة أولاً العثور على المنطقة المصابة ثم تتبع حوافها بدقة، وهي عملية من خطوتين تتطلب من الحاسوب أن يكون كشافاً حاد البصر ورسام خرائط دقيق في آن واحد.

لقد طور باحثون في جامعة هينان للعلوم التقنية في الصين طريقة جديدة لمعالجة هذه المشكلة المحددة، بهدف جعل المراقبة الآلية للأمراض أكثر موثوقية في الزراعة الواقعية. يركز عملهم على نظام يتكون من مرحلتين مصمم لتحليل صور أوراق الذرة الملتقطة في الحقل. تعمل المرحلة الأولى كـ "محدد موقع"، حيث تمسح الصورة للعثور على مكان أعراض المرض. أما المرحلة الثانية فتعمل كـ "متتبع"، حيث تأخذ تلك المواقع المحددة وترسم خطاً تفصيلياً حول الأنسجة المصابة. أراد الفريق اختبار سؤال جوهري: هل تؤثر جودة "البحث" الأولي بشكل مباشر على جودة "الرسم" النهائي؟ وللتعرف على ذلك، قاموا ببناء برنامج حاسوبي متخصص وخفيف الوزن للقيام بعملية تحديد الموقع، وربطوه ببرنامج قياسي ومثبت للقيام بعملية التتبع. لقد أبقوا برنامج التتبع كما هو تماماً طوال تجاربهم، مع تغيير المحدد فقط، لمعرفة ما إذا كان البحث الأفضل سيؤدي إلى خريطة أفضل.

تم تصميم المحدد الجديد الذي أطلقوا عليه اسم DT-YOLO ليكون فعالاً وسريعاً، حيث يحتوي على ما يزيد قليلاً عن مليوني إعداد قابل للضبط، وهو عدد صغير بما يكفي للعمل على أجهزة متواضعة. وقد تم تدريبه على آلاف الصور لأوراق الذرة، والتي تغطي النباتات السليمة وكذلك تلك التي تعاني من تبقع الأوراق الرمادي، واللفحة الورقية الشمالية، والصدأ الشائع، وفيروس تقزم الذرة. علم الباحثون هذا النظام تجاهل الخلفية المربكة والتركيز بدقة على الأشكال غير المنتظمة، وغالباً ما تكون الفوضوية، لبقع المرض. وعندما اختبروه، أثبت النظام الجديد أنه أفضل قليماً في العثور على البقع الصحيحة مقارنة بالنموذج القياسي السابق، محققاً معدل نجاح بنسبة 89.0% في تحديد مناطق المرض. والأهم من ذلك، أن المناطق التي اختارها للمرحلة الثانية للتحليل كانت أكثر توافقاً مع بقع المرض الفعلية، وهو مقياس اتفاق قفز من حوالي 38% إلى 63%.

وعندما تم تغذية هذه المواقع المحسنة في برنامج التتبع، أظهرت النتيجة النهائية تحسناً طفيفاً ولكن ذا معنى. فقد أنتج النظام الذي استخدم المحدد الجديد حدوداً للآفات أكثر دقة مما أنتجه النظام القديم، على الرغم من أن برنامج التتبع نفسه لم يتغير على الإطلاق. غطت الخرائط النهائية حوالي 63.2% من منطقة المرض الفعلية بشكل صحيح، مقارنة بـ 62.9% باستخدام الطريقة القديمة. يشير هذا الاكتشاف إلى أنه بينما لا يكون البحث الأولي مثالياً، فإن جعله أكثر دقة يساعد الخطوة اللاحقة على أداء عملها بشكل أفضل. وأشار الباحثون، مع ذلك، إلى أن التحسن كان متواضعاً، مما يشير إلى أن الأخطاء في المرحلة الأولى لا تزال تحد من الأداء العام. إن النظام ليس حلاً سحرياً يحل كل مشكلة؛ فهو لا يزال يعاني مع البقع الصغيرة جداً أو المخفية، كما أن إجمالي قوة الحوسبة المطلوبة أعلى من بعض الأنظمة ذات الخطوة الواحدة. ومع ذلك، توضح الدراسة مبدأً قيماً: من خلال فصل مهام البحث والرسم، يمكن للمهندسين تحسين جزء من النظام دون الحاجة إلى إعادة بناء النظام بأكره. توفر هذه الوحدات (Modularity) مساراً عملياً للمضي قدماً في تطوير أدوات يمكنها مساعدة المزارعين على مراقبة صحة المحاصيل بشكل أكثر موضوعية، وتحويل حقل فوضوي من الأخضر والبني إلى صورة واضحة قائمة على البيانات لصحة النبات.

ملخص تقني: تقسيم الآفات الموجه بـ ROI لنمذجة أمراض الذرة في صور الحقول

أبحاث مشابهة