إطار تعلم عميق قابل للتفسير لاكتشاف أمراض المحاصيل بعدد قليل من العينات في الأرز وقصب السكر باستخدام استخلاص ميزات قائم على الشبكات العصبية الالتفافية

لماذا يهم اكتشاف الأوراق المريضة

الأرز وقصب السكر يطعمان المليارات من الناس ويدعمان العديد من مجتمعات المزارعين. عندما تتعرض أوراقهما للأمراض، قد تتقلص المحاصيل بأكملها، وترتفع أسعار الغذاء، وقد يخسر المزارعون سبل عيشهم. ومع ذلك، فإن التشخيص المبكر صعب: غالبًا ما تبدأ المشكلات كبقع صغيرة أو تغيرات في اللون قد يتجاهلها المزارعون المشغولون، ولا يتوفر الخبراء دائمًا في الجوار. تقدم هذه الدراسة نظامًا محوسبًا يمكنه التعلم من بضع صور للأوراق فقط، ويشير تلقائيًا إلى الأمراض، بل ويظهر للناس بالضبط ما في الصورة الذي أدّى إلى تشخيصه، مما يساعد المزارعين على اتخاذ إجراءات أسرع وبثقة أكبر.

عيون ذكية للميدان

يركز الباحثون على محصولين أساسيين: الأرز وقصب السكر. اعتمدوا على مجموعتي صور متاحتين للعامة لأوراق النباتات، إحداهما تم التقاطها في حقول قصب السكر باستخدام هواتف ذكية متعددة ومختلفة، ومجموعة أصغر وأكثر تحكمًا لصور أوراق الأرز. تُظهر كل صورة إما ورقة سليمة أو مصابة بمرض محدد، مثل البقع البنية، أو البثور ذات اللون الصدئي، أو الخيوط الصفراء. من خلال البناء على هذه المجموعات المشتركة بدلًا من مجموعات خاصة، يهدف الفريق إلى تطوير طرق يمكن لمجموعات أخرى اختبارها وإعادة استخدامها ودمجها لاحقًا في أدوات زراعية عملية تتراوح من تطبيقات الهواتف الذكية إلى حسّاسات متصلة في حقول ذكية.

تدريب الآلات بعدد قليل جدًا من الأمثلة

يمكن للذكاء الاصطناعي الحديث أن يكون دقيقًا بشكل ملحوظ في التعرف على أمراض النبات، لكنه عادة ما يتطلب آلاف الصور الموسومة لكل حالة—وهو أمر صعب في الزراعة، خاصة للحالات الجديدة أو النادرة. لتجاوز هذه العقبة، يستخدم المؤلفون التعلم "بعدد قليل من العينات"، وهي عائلة من التقنيات المصممة للتعلم من عدد محدود جدًا من الأمثلة. يبدأ إطارهم بخطوات معالجة الصور القياسية: تنظيف وتغيير حجم وتطبيع كل صورة حتى يرى الحاسوب عرضًا متسقًا. ثم يحول نوع من نماذج التعلم العميق يُسمى الشبكة العصبية الالتفافية كل صورة ورقة إلى مجموعة مضغوطة من الميزات العددية التي تلتقط الأشكال والألوان والأنسجة ذات الصلة بالمرض.

جعل التشخيص مفهوماً

فوق هذه الميزات، يدرب الفريق طريقتين متقدمتين للتعلم بعدد قليل من العينات تُدعيان شبكات النماذج المثلية وتعلّم النماذج المستقل عن المهمة (Model-Agnostic Meta-Learning). الواحدة تتعلم نوعًا من "المركز" لكل مرض في فضاء الميزات وتُعيّن الأوراق الجديدة إلى أقرب مركز؛ والأخرى تتعلم كيفية التكيف بسرعة مع مهام جديدة بخطوات تدريب قليلة فقط. والأهم أن المؤلفين يجمعون هذه الأساليب مع أدوات الذكاء الاصطناعي القابل للتفسير. باستخدام تقنيات شبيهة بخريطة الحرارة، يمكن للنظام أن يبرِز أي أجزاء من صورة الورقة أثرت أكثر على قراره—مجموعات من البقع الداكنة، شريط أصفر على طول العرق الأوسط، أو غياب الآفات الواضحة في نبات سليم. هذا يجعل منطق النموذج مرئيًا، مما يسمح للمهندسين الزراعيين بالتحقق مما إذا كان الحاسوب يركز على علامات طبية ذات معنى بدلًا من فوضى الخلفية.

مدى أداء النظام

لتقييم ما إذا كانت مقاربتهم مفيدة فعلاً، يقارن الباحثون منهجهم مع عدة نماذج تعلم عميق معروفة سبق استخدامها لاكتشاف أمراض النباتات. يقسمون كل مجموعة بيانات إلى أجزاء تدريب واختبار ويقيسون عدد المرات التي يحدد فيها كل طريقة نوع المرض بشكل صحيح. على أوراق قصب السكر المأخوذة في الحقل، يصل الإطار الجديد إلى نحو 92 في المئة من التصنيفات الصحيحة، متفوقًا على البنى القياسية مثل VGG وResNet وXception وEfficientNet. وعلى مجموعة بيانات الأرز، يؤدّي بشكل أفضل، حيث يحدد بشكل صحيح نحو 98 في المئة من صور الاختبار. تُظهر الأدوات الإحصائية التي تنظر في التوازن بين الإنذارات الكاذبة والحالات الفائتة أن الطريقة الجديدة تتصرف مثل فاحص طبي ممتاز بدلاً من مُخَمّن عشوائي.

ماذا يعني هذا للمزارعين

ببساطة، تظهر الدراسة أن الحاسوب يمكن أن يتعلم اكتشاف عدة أمراض في الأرز وقصب السكر بدقة من عدد قليل فقط من صور الأمثلة، وأنه يمكنه أيضًا الإشارة إلى النقاط والخطوط على الورقة التي أدّت إلى حكمه. هذا المزيج من كفاءة البيانات والشفافية أمر أساسي للاستخدام في العالم الحقيقي: فهو يخفض الحاجز أمام بناء أدوات لمحاصيل جديدة وأمراض ناشئة، ويمنح المزارعين والخبراء دليلًا بصريًا يمكنهم الوثوق به. مع مزيد من الاختبارات في الحقول الحقيقية وواجهات مستخدم أكثر ودية، قد تصبح مثل هذه الأنظمة القابلة للتفسير والقائمة على عدد قليل من العينات شركاء يوميين في الزراعة الذكية، يساعدون في حماية المحاصيل مع تقليل استخدام المبيدات غير الضروري.

الاستشهاد: El-Behery, H., Attia, AF. & Rezk, N.G. An explainable deep learning framework for few shot crop disease detection in rice and sugarcane using CNN based feature extraction. Sci Rep 16, 8272 (2026). https://doi.org/10.1038/s41598-026-37501-2

الكلمات المفتاحية: كشف أمراض المحاصيل, الأرز وقصب السكر, التعلم العميق, الذكاء الاصطناعي القابل للتفسير, الزراعة الذكية