تحسين اكتشاف أمراض أوراق الأرز باستخدام دوال خسارة مزدوجة ميتاهيرستية جديدة في الشبكات التنافسية التوليدية مع الحفاظ على كتل الهوية لتوسيع صور حرارية

لماذا تهم أوراق الأرز والكاميرات الحرارية

الأرز يطعم أكثر من نصف سكان العالم، لذلك حتى التحسينات الصغيرة في حماية المحاصيل يمكن أن يكون لها أثر هائل على أمن الغذاء. تبدأ العديد من أمراض الأرز بهدوء داخل النبات قبل ظهور البقع البنية أو الخطوط الصفراء على الأوراق. تُظهر هذه الدراسة كيف أن الجمع بين الكاميرات الحرارية — التي ترصد تغيرات طفيفة في الحرارة — ونوع متقدم من الذكاء الاصطناعي يمكن أن يكشف أمراض أوراق الأرز مبكراً وبشكل أكثر موثوقية، مما يساعد المزارعين على حفظ المحصول مع تقليل استخدام المواد الكيميائية.

رؤية المرض الخفي بالحرارة

عندما يمرض نبات الأرز، تتغير أنماط درجات الحرارة فيه بطرق دقيقة. بعض مناطق الورقة قد ترتفع درجة حرارتها بدرجة أو درجتين فقط عندما تعطل العدوى أو أضرار الحشرات تدفق الماء والتمثيل الغذائي. بنى الباحثون على هذه الفكرة باستخدام كاميرا حرارية محمولة لتصوير 636 ورقة أرز في الهند، تغطي خمس أمراض رئيسية بالإضافة إلى نباتات صحية. كل صورة تسجل درجة الحرارة عبر سطح الورقة، محولة فروق الحرارة غير المرئية إلى خرائط ملونة يمكن أن تكشف المشكلات قبل أن يلاحظها العين البشرية.

لماذا البيانات الأكثر والأفضل ضرورية

تعتمد كاشفات الأمراض الحديثة على التعلم العميق — نماذج حاسوبية تتعلم الأنماط من آلاف الأمثلة. لكن في المزارع الحقيقية من الصعب ومكلف جمع مجموعات صور حرارية كبيرة ومتنوعة لكل مرض، وفي كل مرحلة، وتحت كل حالة جوية. الحيل البسيطة مثل قلب الصور أو تدويرها يمكنها تمديد البيانات إلى حدّ ما، وغالباً ما تمحو أو تشوه أنماط الحرارة التي تهم بالذات. سعى الباحثون إلى إنشاء صور حرارية تركيبية تكون وفيرة وموثوقة في آن واحد، بحيث تؤدي نماذج التصنيف المدربة عليها أداءً أفضل في الحقول الحقيقية، لا في المختبر فقط.

ذكاء اصطناعي مستوحى من الطبيعة يحترم الإشارة

في قلب العمل شبكة تنافسية توليدية (GAN)، وهي نوع من الذكاء الاصطناعي يتعلم إنشاء صور جديدة تبدو حقيقية. بدلاً من استخدام قواعد التدريب القياسية، استبدل الفريق دوال الخسارة التقليدية بآليتين تحسين مستوحاة من الطبيعة. الأولى، المستوحاة من سلوك الصيد ليرقات ذبابة الشبح (Chaoborus)، تركز على «ملء» البكسلات المفقودة أو المشوشة والحفاظ على التدرجات الحرارية الناعمة ولكن الواقعية عبر الورقة. أما الأخرى، المستوحاة من سلوك جراد البحر الأسترالي في الدفاع عن المنطقة والتغذية، فتحرص على العلاقات بين البكسلات المجاورة بحيث تتوافق المناطق الحارة والباردة بطريقة متوافقة فيزيائياً. تُنسَج كتل «الهوية» الاختصارية خلال الشبكة حتى تنتقل تواقيع المرض الأساسية دون تغيير حتى مع تحسين الصور.

صور تركيبية أوضح وتشخيصات أقوى

باستخدام هذه الاستراتيجية المزدوجة، أنتجت الشبكة التنافسية صور أوراق حرارية كانت أقرب بكثير إلى بيانات الكاميرا الحقيقية مقارنة بالمنتجين المعروفين مثل StyleGAN2 وBigGAN. ارتفعت مؤشرات الجودة مثل نسبة الإشارة إلى الضوضاء (PSNR) والتشابه الهيكلي (SSIM) بشكل ملحوظ، وأكدت مقاييس متخصصة أن التدرجات الحرارية وأنماط المرض الحيوية حُفظت بشكل أفضل. عندما أضيفت هذه الصور التركيبية إلى مجموعة التدريب لعدة نماذج كشف أمراض، ارتفعت الدقة بدرجة كبيرة: قفز نموذج Vision Transformer رائد من نحو 83% على البيانات الأصلية إلى ما يقرب من 98% مع التوسيع الجديد، مع مكاسب قوية مماثلة لهياكل ResNet وEfficientNet وDenseNet.

من اختبار الحاسوب إلى حقول الأرز

تجاوز الباحثون مؤشرات الأداء القياسية واختبروا نظامهم على أكثر من 44,000 صورة ميدانية جُمعت عبر أربع ولايات هندية. حقق المسار الكامل — التصوير الحراري، التحسين بشبكة GAN الميتاهيرستية المزدوجة، والتصنيف الآلي — دقة تقارب 95% في ظروف العالم الحقيقي، مع بقاء كل من الإنذارات الكاذبة والاكتشافات الفائتة منخفضة. ثبتت فعالية الطريقة تحت درجات حرارة ورطوبة مختلفة، وأوقات اليوم المتنوعة، وعبر عدة أصناف من الأرز ومجموعات بيانات خارجية. ببساطة، تُظهر الدراسة أن الذكاء الاصطناعي المصمم بعناية والمستوحى من الطبيعة يمكنه توليد صور حرارية «إضافية» ليست واقعية فحسب، بل تجعل كاشفات الأمراض أكثر موثوقية في الميدان، مما يمنح المزارعين نظام إنذار مبكر وأدق ضد تهديدات أحد أهم المحاصيل في العالم.

الاستشهاد: Khalil, H.M., Elrefaiy, A., Elbaz, M. et al. Enhanced paddy leaf disease detection using novel dual metaheuristic loss functions in generative adversarial networks with identity block preservation for thermal image augmentation. Sci Rep 16, 6544 (2026). https://doi.org/10.1038/s41598-026-36477-3

الكلمات المفتاحية: اكتشاف أمراض الأرز, التصوير الحراري, الشبكات التنافسية التوليدية, الذكاء الاصطناعي الزراعي, توسيع البيانات