← أحدث الأبحاث
💻 علوم الحاسوب

A Novel Hardware-Aware Multi-Objective Evolutionary Neural Architecture for Crop-Disease Classification on Edge Devices

تقترح هذه الورقة إطار عمل للبحث التطوري متعدد الأهداف ومعتمد على الأجهزة باستخدام خوارزمية NSGA-II لتحسين بنيات EfficientNet-Lite لتصنيف أمراض المحاصيل على الأجهزة الطرفية، محققةً دقة عالية (0.98) مع تقليل كبير في زمن الاستجابة وحجم النموذج مقارنة بالنماذج الحالية مثل EfficientNet-B0 وMobileNetV3.

المؤلفون الأصليون: Anitha K, Naveenkumar R, Pooja H L, Shantha Kumar M, Valarmathi K, Monica K M

نُشر 2026-11-10
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Anitha K, Naveenkumar R, Pooja H L, Shantha Kumar M, Valarmathi K, Monica K M

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 المشمسة حيث تُزرع محاصيل العالم، تُخاض معركة صامتة باستمرار. إنها ليست حرباً بالأسلحة، بل هي حرب بيولوجية، حيث تهدد الفطريات والبكتتيريا والفيروسات المجهرية بمحو محاصيل بأكملة. لقرون مضت، اعتمد المزارعون على أعينهم وخبراتهم لرصد هذه التهديدات، وهي وسيلة غالباً ما تكون بطيئة للغاية، أو ذاتية للغاية، أو مستحيلة ببساطة عندما لا يستطيع المزارع أن يتواجد في كل مكان في وقت واحد. اليوم، تقدم التكنولوجيا زوجاً جديداً من العيون: الذكاء الاصطناعي. فمن خلال تعليم الحواسيب التعرف على الأنماط المحددة لورقة شجر مريضة، يمكننا اكتشاف الأمراض مبكراً، مما ينقذ المحاصيل ويقلل الحاجة إلى المواد الكيميائية الضارة. ومع ذلك، فإن أكثر عقول الحواسيب قوة المتاحة حالياً هي ضخمة، وتتطلب كميات هائلة من الكهرباء وأجهزة باهظة الثمن لتشغيلها؛ فهي تعيش في مراكز بيانات عملاقة، بعيداً عن الحقول المتربة حيث تشتد الحاجة إليها. ويتمثل التحدي الذي يواجه العلماء ليس فقط في بناء حاسوب ذكي، بل في تقليصه لدرجة تسمح له بالاستقرار داخل جهاز صغير يعمل بالبطارية يمكن للمزارع حمله في جيبه، مع الحفاظ على حدته لاتخاذ قرارات حياة أو موت بالنسبة للمحصول.

لقد تصدى فريق من الباحثين لهذا التحدي تحديداً عبر ابتكار طريقة جديدة لتصميم هذه الأنظمة الذكية الصغيرة. فبدلاً من بناء نموذج حاسوبي يدوياً والأمل في أن يعمل بشكل جيد على جهاز صغير، طوروا طريقة تسمح للحاسوب بتصميم نفسه. بدأوا بمخطط معروف وفعال لشبكة عصبية —وهي نوع من الذكاء الاصطناعي المستوحى من الدماغ البشري— ثم استخدموا عملية تطورية رقمية لتنقيحه. تخيل مجموعة من المعماريين الرقميين، يقترح كل منهم نسخة مختلفة قليلاً من دماغ متخصص في اكتشاف الأمراض. لم يختبر الباحثون هذه النسخ بناءً على قدرتها على تحديد ورقة شجر مريضة فحسب، بل اختبروها أيضاً من حيث السرعة ومقدار الذاكرة التي تستهلكها. وقد سُمح للأفضل أداءً بـ "التزاوج"، حيث دمجوا سماتهم الناجحة لإنشاء أجيال أفضل، بينما تم استبعاد النسخ الأقل كفاءة. هذه العملية، المعروفة باسم الخوارزمية الجينية، تحاكي الانتقاء الطبيعي، مما يسمح للنظام بتطوير توازن مثالي بين الدقة والسرعة خصيصاً للشرائح الصغيرة منخفضة الطاقة الموجودة في معدات الزراعة الحديثة.

اختبر الفريق هذا النهج باستخدام مكتبة ضخمة تضم أكثر من 82,000 صورة لأوراق النباتات، تغطي أربعة عشر نوعاً مختلفاً من المحاصيل وثمانية وثلاثين فئة متميزة من الصحة والمرض. قاموا بتغذية هذه الصور في نظامهم التطوري، الذي أجرى آلاف التجارب للعثور على الهيكل الأمثل. وكانت النتيجة بنية عصبية مخصصة تتميز بصغر حجمها بشكل ملحوظ. وعندما قاموا بنشر هذا النموذج الجديد على جهاز "راسبيري باي" (Raspberry Pi)، وهو حاسوب صغير وبأسعار معقولة يُستخدم غالباً من قبل الهواة والباحثين، وعلى لوحة "إنفيديا جيتسون نانو" (NVIDIA Jetson Nano)، وهي لوحة أكثر قوة مصممة للحوسبة الطرفية، كانت النتائج مذهلة. فقد حقق النظام دقة بلغت 98.2 بالمائة في تحديد أمراض المحاصيل، وهو مستوى من الدقة يضاهي النماذج الأكبر والأغلى ثمناً بكثير. والأهم من ذلك، أنه فعل ذلك بسرعة مذهلة، حيث اتخذ قراراً في غضون 12.9 ميلي ثانية فقط على "جيتسون نانو". وهذا سريع بما يكفي للسماح للمزارع بمسح ورقة شجر والحصول على تشخيص فوري دون انتظار اتصال سحابي أو خادم قوي.

قارن الباحثون نموذجهم المتطور بعدة تصميمات معروفة وشائعة تُستخدم غالباً للأجهزة المحمولة. كان الهيكل الجديد أسرع وأصغر بكثير من منافسيه، حيث استهلك موارد حوسبية أقل مع الحفاظ على دقة عالية. وفي مقارنة مباشرة، تطلب النموذج الجديد أقل من نصف القوة الحوسبية لبعض التصميمات القياسية، وعمل بوقت استجابة يبلغ نصف وقت الآخرين تقريباً. وتعني هذه الكفاءة أنه يمكن للمزارع تشغيل هذا النظام على جهاز بتكلفة زهيدة ويعمل ببطارية صغيرة، مما يجعل مراقبة الأمراض المتقدمة متاحة حتى في المناطق النائية ذات البنية التحتية المحدودة. كما أظهرت الدراسة أن النموذج ظل قوياً عبر أنواع مختلفة من المحاصيل، من الطماطم والتفاح إلى التوت الأزرق والعنب، مما يثبت أن عملية البحث التطوري يمكنها إيجاد حل واحد متعدد الاستخدامات بدلاً من نموذج يعمل لمحصول واحد فقط.

إن ما يجعل هذا العمل مهماً بشكل خاص هو أنه يتجاوز مجرد تدريب نموذج على حاسوب قوي ثم محاولة إجباره على العمل على حاسوب صغير. بدلاً من ذلك، قام الباحثون بدمج قيود الجهاز الصغير مباشرة في عملية التصميم منذ البداية. فمن خلال مطالبة الحاسوب بتطوير حل خفيف الوزن بطبيعته، تجنبوا المشكلة الشائعة المتمثلة في الاضطرار للتضحية بالكثير من الدقة من أجل اكتساب السرعة. وتشير الدراسة إلى أن هذا النهج القائم على مراعاة العتاد (Hardware-aware) يعد مساراً قابلاً للتطبيق في الزراعة الدقيقة، حيث الهدف هو جلب الذكاء رفيع المستوى مباشرة إلى الحقل. وبينما تم اختبار العمل الحالي على مجموعة محددة من الصور الملتقطة في ظروف خاضعة للرقابة، يشير المؤلفون إلى أن الخطوات المستقبلية ستتضمن اختبار هذه النماذج في الواقع الفعلي غير المنظم للزراعة الخارجية، مع تباين الإضاءة والطقس وظروف التربة. ومع ذلك، فإن البحث يثبت حالياً أنه من الممكن تقليص "دماغ" الذكاء الاصطناعي الحديث إلى حجم يناسب يد المزارع، دون فقدان قدرته على رؤية التهديدات غير المرئية التي تعرض إمداداتنا الغذائية للخطر.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →