خوارزمية تعرّف على النباتات المائية في الزمن الحقيقي عبر الهاتف المحمول تعتمد على التعلم العميق للمراقبة البيئية الذكية

لماذا يهم اكتشاف النباتات المائية بالهاتف

النباتات المائية تفعل أكثر من مجرد تزيين البرك والبحيرات: فهي ترشح الملوثات، وتزود الأكسجين، وتوفر مأوى للأسماك والحشرات. لكن عندما تنتشر أنواع غير مناسبة بسرعة، يمكنها خنق المجاري المائية وتعطيل النظم البيئية بأكملها. تعرض هذه الدراسة طريقة جديدة للتعرّف التلقائي على أنواع النباتات المائية المختلفة باستخدام هاتف ذكي عادي، مما يساعد العلماء ومديري المياه على مراقبة النظم البيئية الحساسة في الزمن الحقيقي بدلاً من الاعتماد فقط على المسوح اليدوية البطيئة.

تحدي مراقبة الحياة تحت السطح

تعتمد البحيرات والأنهار الصحية على مزيج دقيق من النباتات المائية المحلية. فهي تمتص المغذيات والمواد الضارة من الماء، وتحافظ على صفائه، وتوفر طعاماً ومخابئ للحياة البرية. ومع ذلك، يمكن للأنواع الغازية أن تهيمن بسرعة، مما يعيق حركة القوارب، ويقلل الأكسجين، ويؤذي مصايد الأسماك. تقليدياً، كان تحديد هذه النباتات يتطلب إرسال خبراء إلى الميدان لجمع العينات وتصنيفها يدوياً، وهي عملية تستغرق وقتاً طويلاً ومكلفة ومن الصعب تكرارها بما يكفي لرصد التغيرات السريعة المدفوعة بالمناخ والنشاط البشري.

من الحواسيب الضخمة إلى كاشفات النباتات في الجيب

في السنوات الأخيرة، تعلمت الذكاء الاصطناعي تمييز الأجسام في الصور والفيديو بدقة ملحوظة، وقد طبقه الباحثون على الأعشاب الضارة والمحاصيل وبعض النباتات المائية. ومع ذلك، تعمل معظم هذه الأنظمة على حواسيب مكتبية قوية أو خوادم. النسخ الخفيفة التي يمكن أن تعمل على الهواتف أو الطائرات بدون طيار عادة ما تضحي بالعديد من الدقة، أو تتطلب قدرة حسابية أكثر مما يمكن للأجهزة الصغيرة تحمله. يركز المؤلفون على عنق الزجاجة هذا: كيفية الحفاظ على سرعة ودقة الكشف أثناء تصغير النموذج بحيث يعمل بسلاسة على هاتف محمول على ضفة نهر.

طريقة أذكى وأخف لرصد النباتات في مياه معقدة

يبني الفريق على YOLOv8n، نموذج كشف أجسام شهير صُمم ليكون مدمجاً نسبياً. أعادوا تصميم جزئين أساسيين من خط أنابيب النموذج الداخلي للتعامل بشكل أفضل مع النباتات المائية الصغيرة والمتوسطة المخبأة في خلفيات مزدحمة وعاكسة. أولاً، يركز رأس "Faster Detect" الجديد اهتمامه على أحجام النباتات التي تُرى في العالم الحقيقي بشكل متكرر، محسناً كيفية تأطيرها ووضع تسمياتها. ثانياً، يقوم كتلة معالجة الميزات المعاد تصميمها "C2f‑UIB" بمزج التفاصيل الدقيقة ومعلومات المشهد الأوسع بكفاءة أكبر، مما يسمح للشبكة بتمييز أنواع متشابهة المظهر مع استخدام عمليات حسابية أقل. معاً، تخلق هذه التغييرات نموذجاً جديداً، APlight‑YOLOv8n، مصمماً خصيصاً لمراقبة النباتات المائية.

اختبار النموذج في الميدان

لمعرفة ما إذا كان APlight‑YOLOv8n يعمل فعلاً خارج المختبر، دربه المؤلفون واختبروه على أكثر من ألفي صورة عالية الدقة لأنهار وأراضي رطبة وأحواض أسماك، تغطي اثنتي عشرة نوعاً من النباتات عبر أربعة أشكال نمو: منبثقة، عائمة، ذات أوراق عائمة، وغاطسة. تتضمن الصور مياهاً معكرة، وأوراقاً متراكبة، ونباتات مخفية جزئياً بواسطة أجسام أخرى. مقارنةً بـ YOLOv8n الأصلي وعدد من نماذج الكشف المعروفة الأخرى، كان التصميم الجديد أصغر وأكثر ذكاءً. فقد خفض عدد المعاملات القابلة للتدريب والعمليات الحسابية المطلوبة بأكثر من ربع، ومع ذلك يظل يكشف النباتات بدقة أعلى—خصوصاً الأنواع المنبثقة والعائمة. عند تثبيته على هاتف أندرويد، يعالج حوالي 33 إطار فيديو في الثانية أثناء المسح عن النباتات، وهي سرعة كافية للاستخدام في الزمن الحقيقي على طول الشواطئ أو من قوارب صغيرة.

القيود والخطوات القادمة وما يعنيه هذا للمياه النظيفة

على الرغم من أن APlight‑YOLOv8n يقدم أداءً قوياً عموماً، إلا أنه لا يزال يواجه صعوبات إلى حد ما مع النباتات الغاطسة، ذات الحدود الضعيفة التي تتوهج بسهولة بفعل المياه الطينية والانعكاسات والإضاءة المنخفضة. كما تغطي مجموعة البيانات الحالية مجموعة محدودة من الأنواع من منطقة معينة، لذا ستكون هناك حاجة إلى صور إضافية من مناخات ومجتمعات نباتية أخرى لتحويل هذا إلى أداة موثوقة عالمياً. يقترح الباحثون أن العمل المستقبلي يمكن أن يعزز حساسية النموذج للإشارات الضعيفة تحت الماء ويكيّفه لمنصات محمولة أخرى مثل الطائرات دون طيار واللوحات المدمجة منخفضة الطاقة.

أداة جديدة لحماية المياه أسرع وأذكى

بالنسبة لغير المتخصصين، الرسالة الأساسية واضحة: تُظهر هذه الدراسة أن هاتفاً ذكياً عادياً، مزوّداً بنموذج ذكاء اصطناعي مصمم بعناية، يمكنه بسرعة التعرف على العديد من أنواع النباتات المائية في الزمن الحقيقي. من خلال جعل المراقبة أرخص وأسرع وأكثر مرونة، قد يساعد APlight‑YOLOv8n مديري الموارد المائية على تتبع الأنواع الغازية، ووضع خطط لمكافحة الأعشاب، وحماية المواطن المائية قبل أن تتصاعد المشكلات خارج السيطرة. إنها خطوة مبكرة لكنها واعدة نحو وضع أدوات مراقبة بيئية متقدمة مباشرة في أيدي العاملين على حافة المياه.

الاستشهاد: Wang, D., Dong, Z., Yang, G. et al. A real-time mobile aquatic plant recognition algorithm based on deep learning for intelligent ecological monitoring. Sci Rep 16, 5075 (2026). https://doi.org/10.1038/s41598-026-35310-1

الكلمات المفتاحية: النباتات المائية, الأنواع الغازية, المراقبة البيئية, التعلم العميق المحمول, كشف الأجسام