💻 علوم الحاسوب

A Mobile-Centric Comparative Evaluation of Deep Learning Models for Real-Time Flower Recognition

تقدم هذه الدراسة إطار عمل متمحوراً حول الهاتف المحمول للتعرف على الزهور في الوقت الفعلي، والذي يعمل على تحسين بنيات التعلم العميق ومسار هجين يجمع بين MobileNetV2 وXGBoost لمجموعة بيانات Oxford 102 Flowers، مما يثبت أن نموذج MobileNetV2 المصمم خصيصاً والمحول إلى TensorFlow Lite يحقق دقة بنسبة 96% مع زمن انتقال منخفض مناسب للنشر دون اتصال بالإنترنت على أجهزة Android.

المؤلفون الأصليون: Fatemeh Sabourinia, Alireza Zaeri, Vahid Abolghasemi

نُشر 2026-11-11

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Fatemeh Sabourinia, Alireza Zaeri, Vahid Abolghasemi

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

تخيل أنك تمسك بهاتف ذكي في حديقة هادئة، وتوجه الكاميرا نحو زهرة برية، ليخبرك الجهاز فوراً باسمها. هذا الفعل البسيط يعتمد على فرع من علوم الحاسوب يُعرف بتعلم الآلة، حيث يتم تدريب البرمجيات للتعرف على الأنماط في الصور تماماً كما يتعلم العقل البشري التمييز بين الوردة والأقحوان. ولكي يعمل هذا على هاتف، يجب أن تكون البرمجيات فعالة للغاية، وقادرة على اتخاذ قرارات معقدة دون الحاجة إلى إرسال البيانات إلى خادم بعيد أو انتظار اتصال بالإنترنت. ويكمن التحدي في الموازنة بين حاجتين متنافستين: يجب أن تكون البرمجيات ذكية بما يكفي لتحديد مئات الزهور المتشابهة بدقة، وفي الوقت نفسه صغيرة وسريعة بما يكفي لتعمل بسلاسة على موارد البطارية والذاكرة المحدودة لجهاز محمول.

لقد شرع فريق من الباحثين في حل هذا اللغز تحديداً عبر اختبار مدى قدرة أنواع مختلفة من نماذج الذكاء الاصطناعي على تحديد الزهور مباشرة على الهاتف. وقد ركزوا على مجموعة بيانات "أكسفورد لـ 102 زهرة" (Oxford 102 Flowers dataset)، وهي مجموعة كبيرة من الصور التي تضم 102 نوعاً مختلفاً من الأنواع الشائعة في المملكة المتحدة. لم يكتفِ الباحثون بأخذ برمجيات موجودة وتشغيلها على الهاتف فحسب؛ بل قاموا بتعديل الهيكل الداخلي لأربعة نماذج متميزة بعناية لمعرفة أي منها يمكنه التعلم أكثر من هذه الصور المحددة مع البقاء خفيفاً بما يكفي للاستخدام المحمول. وقد اختبروا نموذجاً عميقاً ومعقداً للغاية، ونموذجاً صممه خوارزمية بحث حاسوبي، ونموذجاً بُني خصيصاً للأجهزة المحمولة، ونهجاً هجيناً يجمع بين نموذج محمول ونوع آخر من الأدوات الإحصائية.

أظهرت النتائج أن نهج "المقاس الواحد الذي يناسب الجميع" لا ينجح؛ فكل نموذج يتطلب استراتيجية فريدة للتعلم بفعالية. فعلى سبيل المثال، وجد الباحثون أن مجرد تجميد الأجزاء المدربة مسبقاً من النموذج وتدريب الطبقة النهائية فقط لم يكن دائماً المسار الأفضل. فبالنسبة لبعض النماذج، كان عليهم فتح وإعادة تدريب النظام بأكمده لمساعدته على فهم الاختلافات الدقيقة بين بتلات الزهور والأوراق. واكتشفوا أن النموذج الأكثر تعقيداً، رغم قوته، كان ثقيلاً وبطيئاً جداً بالنسبة للهاتف. أما النموذج الآخر، الذي استخدم بحثاً حاسوبياً لإيجاد هيكله الخاص، فقد كان فعالاً ولكنه لم يتعرف على الزهور بدقة مثل التصميم الأكثر رسوخاً. كما أخفق النهج الهجين، الذي حاول المزج بين نموذج التعلم العميق ومصنف إحصائي منفصل، في الوصول إلى مستوى أداء النموذج المتفوق.

كان الفائز الواضح هو نموذج خفيف الوزن يُسمى "MobileNetV2"، ولكن بعد تعديله خصيصاً لهذه المهمة. فمن خلال تخصيص طبقة اتخاذ القرار النهائية وتعديل كيفية تدريب النموذج بعناية، حقق الباحثون معدل دقة بلغ 96 بالمئة على مجموعة اختبار مكونة من 2,539 صورة. وهذا يعني أن النظام حدد أنواع الزهور بشكل صحيح في كل حالة تقريباً. ومن الأهمية بمكان أن هذا المستوى العالي من الدقة لم يأتِ على حساب السرعة أو الحجم؛ فقد قام الباحثون بتحويل النموذج إلى صيغة مصممة للهواتف المحمولة، مما قلص حجمه من 27.74 ميجابايت إلى 2.53 ميجابايت فقط. هذا الاختزال جعل من الممكن تخزين نظام الذكاء بأكمله مباشرة على الجهاز دون الحاجة إلى تخزين سحابي.

ولإثبات نجاح ذلك في العالم الحقيقي، قام الفريق ببناء تطبيق أندرويد يعمل بكامل وظائفه ويعمل بالكامل دون اتصال بالإنترنت. واختبروا التطبيق على هاتفين مختلفين، أحدهما بمعالج قياسي والآخر بمعالج أكثر قوة. كانت النتائج متسقة وسريعة؛ ففي الجهاز الأكثر قدرة، استغرق الوقت اللازم لالتقاط صورة، ومعالجة الصورة، وعرض اسم الزهرة متوسط 55.57 مللي ثانية. وحتى في الجهاز الأقل قوة، استغرقت العملية 68.11 مللي ثانية في المتوسط. هذه الأوقاف قصيرة جداً لدرجة أن المستخدم يشعر بأن عملية التعرف فورية، دون أي تأخير ملحوظ. وتثبت هذه الدراسة أنه مع إجراء التعديلات الصحيحة، يمكن جعل التعرف المتقدم على الصور يعمل بشكل مثالي على الهاتف المحمول، مما يسمح للطلاب والبستانيين والباحثين بتحديد النباتات في أي مكان، حتى في المواقع النائية التي لا يتوفر فيها اتصال بالإنترنت.

أبحاث مشابهة