نموذج خفيف الوزن قائم على YOLO للكشف الدقيق عن عنقود الفلفل الأحمر في الحصاد الآلي

روبوتات أذكى لحصاد حار

حبوب الفلفل السيشوانية، القشور الحمراء الصغيرة التي تمنح المطبخ السيشواني إحساسه المميز بالوخز الحار، يصعب قطفها أكثر مما تبدو. تنمو الثمار في عناقيد كثيفة وُشِمية يمكن أن تتلف بسهولة، والحصاد اليدوي بطيء وموسمي. تقدم هذه الدراسة نظام رؤية حاسوبية جديدًا يُدعى Red-YOLO، مصممًا لمساعدة روبوتات متنقلة صغيرة على رصد هذه العناقيد الهشة بسرعة ودقة في بساتين حقيقية، حتى عندما تتداخل الثمار أو تكون مختبئة خلف الأوراق.

لماذا قطف الفلفل معقد للغاية

على عكس الفواكه الكبيرة والملساء مثل التفاح، تنمو حبوب الفلفل الأحمر كثمرات صغيرة متعددة متراصة على أغصان شوكية. قد تبدو العناقيد مختلفة جدًا من شجرة لأخرى: بعضها ضيق ومضغوط، وبعضها فضفاض ومتناثر، وكلها محاطة بخلفيات معقدة من الأغصان والأوراق والإضاءة المتغيرة. بالنسبة للروبوت، فإن رؤية حدود العناقيد—أين ينتهي كل عنقود وأين يبدأ الآخر—وكمية التراص داخلها أمر أساسي. يجب تعديل قوة القبضة وحتى حجم أداة القطف حسب مدى تكتل الثمار، وإلا قد تنفجر الحويصلات الزيتية الحساسة في الثمرة، ما يقلل الجودة والقيمة.

بناء مكتبة صور من العالم الحقيقي

نظراً لعدم وجود مجموعات صور عامة لهذا المحصول، اضطر الباحثون أولاً إلى إنشاء مجموعة بيانات خاصة بهم. على مدار موسمي نمو في مقاطعة هانيوان بمقاطعة سيتشوان، صوروا أشجار الفلفل في بساتين حقيقية باستخدام هاتف ذكي استهلاكي، والتقطوا 960 صورة مربعة عالية الدقة تحت زوايا شمس وأوقات يوم مختلفة. وُسِمت كل صورة يدويًا بعناية، مميزة بين العناقيد المدمجة والفضفاضة. لتعليم الحاسوب التعامل مع التنوع، عدلوا رقميًا العديد من الصور—ضبطوا السطوع والتباين، وعكسوها أفقيًا، وشوّهوا بعض الشبكات، ودوّروا المشاهد. وسّع هذا مجموعة التدريب إلى أكثر من 4300 صورة، بينما أبقوا مجموعة صغيرة من الصور غير المعدلة جانبًا لاختبار أداء النظام النهائي بموضوعية.

نموذج رؤية حاسوبية أنحف وأكثر دقة

في قلب النظام يوجد YOLOv8، نموذج كشف الكائنات المعروف "تنظر مرة واحدة فقط" الذي يكتشف العناصر في تمريرة واحدة سريعة بدلًا من مراحل متعددة أبطأ. عدل الفريق نسخة صغيرة جدًا من هذا النموذج ثم أعاد تشكيلها خصيصًا لعناقيد الفلفل الأحمر. أضافوا وحدة انتباه تُعلم الشبكة بالتركيز على القنوات والمناطق الأكثر احتمالًا لاحتواء الثمار مع تجاهل المشتتات مثل السماء والأغصان والأشجار البعيدة. أعادوا تصميم أجزاء من الشبكة بحيث يمكنها إعادة استخدام المعلومات بكفاءة أكبر وتقليل الحسابات غير الضرورية. كما استبدلوا خطوة تغيير الحجم البسيطة بكتلة تكبير أذكى تعيد بناء التفاصيل الدقيقة والحدود حول الفلفل المتداخل، مما يساعد النموذج على تمييز أين تبدأ وتنتهي العناقيد المزدحمة.

رؤية سريعة ودقيقة للروبوتات الصغيرة

لاختبار جدوى هذه التعديلات، قارن الباحثون Red-YOLO مع أنظمة كشف أقدم وأثقل ومع عدة متغيرات حديثة وخفيفة من YOLO. كانت النماذج التقليدية متعددة المراحل، رغم قوتها، بطيئة جدًا وتحتاج موارد تفوق قدرات روبوتات البساتين الصغيرة. أدت بعض إصدارات YOLO الأحدث أداء أفضل لكنها واجهت صعوبة مع العناقيد الصغيرة الجزئيًا المخفية أو الخلفيات المزدحمة، وغالبًا ما كانت تفوّت ثمارًا أو تخلط بين الأوراق والفلفل. وجد Red-YOLO توازنًا أفضل: فقد كشف عن عناقيد الفلفل بدقة واسترجاع أعلى من جميع النماذج المقارنة، مع الحفاظ على حجم نموذج أقل من ثلاثة ملايين معامل وحمل حسابي منخفض يكفي لمعالجات مدمجة. أظهرت الاختبارات في مشاهد بستانية متنوعة أن Red-YOLO وجد العناقيد بثبات حتى عندما كانت الثمار صغيرة أو مظللة أو متداخلة بكثافة.

من نموذج المختبر إلى مساعد البستان

بالنسبة لغير المتخصصين، النتيجة الأساسية عملية: توضح هذه الدراسة أن نظام رؤية مدمجًا ومدروسًا بعناية يمكن أن يمنح روبوتات الحصاد الصغيرة "عينًا" موثوقة في الحقل. مع Red-YOLO، يمكن للروبوت أن يحدد تلقائيًا ما إذا كان يتعامل مع عنقود مدمج أم فضفاض ويضبط حجم قبضته وقوة الشد قبل القطف، مما يقلل التلف ويوفر العمالة. رغم أن الدراسة الحالية تركز على صنف واحد من الفلفل في منطقة واحدة، يمكن تمديد نفس المنهج—بناء مجموعات بيانات متخصصة وصقل نماذج كشف نحيفة—إلى محاصيل متخصصة أخرى. ومع ازدياد متانة هذه أنظمة الرؤية وانتشارها، قد تساعد في جعل الحصاد أسرع وأكثر أمانًا واتساقًا، مما يضمن إمدادًا مستقرًا من الفلفل الذي يمد بعضًا من أشهر النكهات في العالم.

الاستشهاد: Zhao, H., He, J., Li, Y. et al. A lightweight YOLO-based model for accurate detection of red pepper clusters in robotic harvesting. Sci Rep 16, 5879 (2026). https://doi.org/10.1038/s41598-026-36671-3

الكلمات المفتاحية: الحصاد الآلي, الكشف عن الفلفل, رؤية الحاسوب, YOLO خفيف الوزن, الزراعة الذكية