تحسين YOLO12 مع تجميع الهرم المكاني لاكتشاف الحشرات القطنية في الوقت الحقيقي

لماذا كشف الحشرات الصغيرة مهم

قد يبدو نبات القطن بسيطًا، لكن دوره العالمي ضخم: يلبس مليارات الناس، ويوفر ملايين الوظائف، ويغذي صناعات من زيوت الطهي إلى مستحضرات التجميل. ومع ذلك يمكن أن تُقوّض حقول كاملة من القطن بصمت بواسطة حشرات لا تكبر كثيرًا عن حبة الأرز. يعتمد المزارعون غالبًا على جولات المشي المتكررة في الحقول واستخدام المبيدات الثقيلة لمحاربة هذه الآفات — وهي أساليب تستغرق وقتًا، ومكلفة، وضارة بالبيئة. تستكشف هذه الدراسة كيف يمكن لشكل جديد من الذكاء الصناعي مراقبة حقول القطن في الوقت الحقيقي، واكتشاف الحشرات الضارة على الأوراق تلقائيًا بحيث تُستهدف العلاجات بشكل أدق وبهدْر أقل بكثير.

من الكشافة اليدوية إلى الكاميرات الذكية

اليوم، لا يزال العديد من المزارعين أو عمال الحقول يسيرون بين صفوف القطن، يفحصون الأوراق والزهور بصريًا بحثًا عن الآفات. هذا النهج محدود بسبب تعب الإنسان، والتغطية غير المتكافئة، وتغيرات الضوء والطقس. يمكن أن تقتل المبيدات واسعة الطيف، التي غالبًا تُرش بحسب جدول زمني وليس استجابةً للحاجة الفعلية، الحشرات المفيدة وتلوث التربة والمياه وتزيد تكاليف الإنتاج. يجادل المؤلفون بأن طريقًا أكثر استدامة هو السماح لأجهزة الحاسوب «بأن ترى» الحشرات مباشرة في صور الحقول، مما يوفر للمزارعين نظام إنذار مبكر آلي يركّز الضوابط بدقة حيث توجد الآفات فعليًا.

تعليم الحواسيب التعرف على الحشرات الصغيرة

لبناء مثل هذا النظام، لجأ الباحثون إلى التعلم العميق، وهو فرع من الذكاء الصناعي يتفوق في التعرف على الأنماط في الصور. استخدموا عائلة من النماذج تُدعى YOLO («تنظر مرة واحدة فقط»)، والتي يمكنها مسح الصورة ورسم مربعات حول الأشياء في جزء من الثانية. انطلقت الدراسة من نموذج YOLO12 الأحدث، وجمعت نسخة محسنة مُكيّفة لآفات القطن. أولًا، جهزوا وصقلوا مجموعة بيانات مفتوحة عالية الجودة مكونة من 3225 صورة من حقول قطن حقيقية، تغطي 13 نوعًا شائعًا من الحشرات مثل الدعسوقات والبعوضات ذات الرائحة واليرقات القارضة. حوّلوا التسميات الأصلية إلى صيغة معيارية يقرأها النموذج ووازنّوا بعناية عدد الصور لكل فئة حشرية حتى لا يتحيز الذكاء الاصطناعي نحو الأنواع الأكثر شيوعًا.

جعل الحشرات الصغيرة بارزة

كشف الحشرات على الأوراق أصعب بكثير من اكتشاف أشياء كبيرة مثل السيارات أو الأشخاص. الحشرات صغيرة، وغالبًا ما تكون مموهة، ويمكن أن تظهر بمقاييس وزوايا متعددة. للتعامل مع ذلك، حسّن الفريق بنية YOLO12 بعدة طرق. أضافوا كتل بناء متخصصة تساعد النموذج على التقاط التفاصيل الدقيقة مع المحافظة على فهم المشهد الكلي. يتيح مكوّن «تجميع الهرم المكاني» للشبكة أن تنظر إلى نفس المنطقة على مقاييس متعددة في الوقت نفسه، وهو أمر حاسم لرؤية الحشرات الصغيرة جدًا والأكبر قليلًا في الصورة نفسها. ثم تساعد آلية الانتباه النموذج على التأكيد على الأجزاء الأكثر معلوماتية في الصورة — الأشكال والألوان والأنسجة الدقيقة التي تميّز نوعًا من الحشرات عن آخر — مع تجاهل الفوضى في الخلفية.

اختبار النماذج

لم يكتفِ المؤلفون باقتراح نموذج واحد؛ بل بنوا وقارنوا بين ستة تصاميم مختلفة مبنية على YOLO، بما في ذلك YOLO11 وYOLO12 القياسيين وعدة متغيرات مخصصة. دُرّبت جميعها واختُبرت على نفس مجموعة بيانات آفات القطن لضمان مقارنة عادلة. حقق النموذج المتميز، المسمى Enhanced Hybrid YOLO12، درجات عالية جدًا في مقاييس الجودة القياسية للكشف، موازنًا بين مدى قدرته على العثور على الحشرات بدقة ودرجة دقة رسم مربعات الحدود. مقارنةً بـ YOLO12 الأصلي، رفع كفاءة الكشف الإجمالية وثباتها عبر العديد من ظروف الاختبار، بينما ظل سريعًا بما يكفي للاستخدام في الوقت الحقيقي على أجهزة الرسومات الحديثة. ومع أن هذا النموذج المحسّن أثقل نسبيًا من حيث الحساب، يظهر المؤلفون أن مكسب الموثوقية ذا قيمة خاصة في بيئة الزراعة الحقيقية.

ماذا يعني هذا للمزارعين والبيئة

بمصطلحات يومية، تُظهر الدراسة أن الكاميرا مع نموذج ذكاء اصطناعي مدرَّب يمكن أن تعمل ككشاف رقمي لا يتعب، يمسح أوراق القطن بحثًا عن الآفات ليلاً ونهارًا. وبما أن نظام Enhanced Hybrid YOLO12 أفضل في تجنّب الإنذارات الكاذبة مقارنةً بالإصدارات السابقة، فيمكنه مساعدة المزارعين على الرش فقط حيث ومتى تكون الحشرات موجودة بالفعل، مما يقلّل استخدام المواد الكيميائية، ويوفر المال، ويقلل الضرر للكائنات المفيدة والنظم البيئية المحيطة. بينما يلزم المزيد من العمل لتشغيل النموذج على أجهزة أقل تكلفة ولتوسيعه ليشمل مزيدًا من أنواع الحشرات والمناطق الزراعية، تشير هذه الأبحاث إلى مستقبل تتحول فيه مكافحة الآفات في الزراعة الدقيقة من تخمين إلى عمل مبني على البيانات.

الاستشهاد: Saif, D., Askr, H., Sarhan, A.M. et al. Enhanced YOLO12 with spatial pyramid pooling for real-time cotton insect detection. Sci Rep 16, 4806 (2026). https://doi.org/10.1038/s41598-026-35747-4

الكلمات المفتاحية: آفات القطن, الزراعة الدقيقة, التعلم العميق, كشف الأشياء, الزراعة المستدامة