تصنيف أمراض نبات الأرز باستخدام DenseNet121 الفعّال

لماذا يهم اكتشاف نباتات الأرز المريضة

الأرز غذاء يومي لمليارات الأشخاص، لذا أي شيء يضر بمحاصيل الأرز قد يهدد إمدادات الغذاء ومعيشة المزارعين. تظهر العديد من أمراض الأرز في البداية كبقع أو خطوط دقيقة على الأوراق يصعب ملاحظتها أو تقييمها بشكل صحيح، خصوصاً عبر حقول شاسعة. تبحث هذه الورقة في كيف يمكن للذكاء الاصطناعي تحويل صور عادية لنباتات الأرز إلى تشخيصات سريعة ودقيقة لعدة أمراض ورقية، لمساعدة المزارعين على التحرك مبكراً وتجنب خسائر كبيرة في المحصول.

من التخمين إلى الفحص بالصور

تقليدياً، كان تشخيص أمراض النبات يعتمد على خبراء يفحصون الحقول أو الصور بصرياً. هذا النهج بطيء ومكلّف ولا يمكن توسيعه ليشمل ملايين المزارع الصغيرة. في الوقت نفسه، أصبحت الهواتف الذكية والكاميرات الرقمية الرخيصة شائعة حتى في المناطق الريفية. يستفيد المؤلفون من هذه الفرصة: إذا كان بإمكان المزارعين التقاط صور واضحة للأوراق، يمكن لنظام ذكاء اصطناعي مدرّب جيداً أن يتعرف تلقائياً وعلى نحو فوري على الأمراض المختلفة. يركّز هذا العمل على سبعة من أكثر أمراض الأرز شيوعاً، من تعفن الورقة البكتيري إلى البقع الفطرية والعفن، بهدف بناء أداة تعمل عبر طيف واسع من المشكلات بدلاً من قصرها على حالة أو اثنتين.

كيف يعمل نظام الصور الذكي

يعتمد الباحثون على نهج قوي للتعرف على الصور يُدعى الشبكات العصبية الالتفافية، التي تتعلم اكتشاف أنماط مثل الأشكال والألوان والقوام في الصور. استخدموا تصميماً محدداً اسمه DenseNet121، المعروف بربطه العديد من الطبقات معاً بحيث يتدفق المعلومات بكفاءة وتُعاد استخدام الميزات بدلاً من تعلمها من جديد مراراً. بدلاً من البدء من الصفر، وظّفوا التعلم النقلي: بدءاً من نموذج DenseNet مُدرَّب مسبقاً على ملايين الصور اليومية، ثم ضبطه بدقة باستخدام صور أوراق الأرز. جمعوا 8,030 صورة أصلية لأوراق مريضة من مجموعة بيانات عامة باسم «Paddy-Rice»، ثم وسّعوا هذا العدد إلى 11,467 صورة عبر تعزيز البيانات بعناية، مثل تدوير الصور، وقلبها، وتعديل السطوع طفيفاً حتى يصبح النموذج قوياً أمام التباينات الواقعية.

التدريب والاختبار والثقة في النتائج

لتدريب النظام، قسّم الفريق الصور إلى مجموعتين: نحو 80% لتعليم النموذج و20% لاختباره على حالات لم يرها من قبل. ضبطوا معلمات مثل معدل التعلم وحجم الدفعة وعدد جولات التدريب، مستخدمين طريقة تحسين تُسمى Adam وإيقافاً مبكراً إذا توقفت الأداء عن التحسن. ثم تعلّم النظام تخصيص كل صورة إلى إحدى فئات الأمراض. قيس الأداء بعدة مؤشرات معيارية: الدقة الكلية (مدى صحته عموماً)، الدقة الإيجابية (مدى صحة توقعاته الإيجابية)، الاستدعاء (كم من الحالات المريضة الحقيقية يكتشف)، ودرجة F1 (التي توفّق بين الدقة والاستدعاء). كما حلّلوا «مصفوفة الالتباس» التي تُظهر أين يخلط النظام بين أمراض متشابهة المظهر.

ما مدى كفاءة الذكاء الاصطناعي في تشخيص أمراض الأرز

أدى نموذج DenseNet121 المدرب أداءً مؤثراً. على مجموعة الاختبار المستقلة، سجل دقة كلية بلغت 97.9%، مع دقات خاصة بكل مرض تتراوح في معظمها بين 96% وقرب 100%. متوسط الدقة الإيجابية حوالي 96.2%، والاستدعاء حوالي 97.9%، ودرجة F1 نحو 97%، مما يدل على أن النموذج ليس دقيقاً فحسب بل متوازن أيضاً في تجنبه للفوات والإنذارات الكاذبة. أظهر التحقق المتقاطع بخمس طيات — تكرار تقسيم التدريب والاختبار عدة مرات — نتائج قوية ومستقرة مماثلة مع تباينات ضئيلة بين الجولات. ورغم بقاء بعض حالات الالتباس بين أمراض ببقع ورقية متشابهة، يميّز النظام عموماً فروقاً دقيقة في الأنماط والألوان قد يغفلها المراقب البشري.

ما يعنيه هذا للمزارعين وأمن الغذاء

الاستنتاج المباشر لغير المتخصصين بسيط: تُظهر هذه الدراسة أن نموذج ذكاء اصطناعي مصمّم بعناية يمكنه أن ينظر إلى صور أوراق الأرز ويحدد، بدرجة موثوقة عالية، أي مرض من بين عدة تهديدات رئيسية. يفتح ذلك الباب أمام أدوات على الهواتف الذكية أو الطائرات المسيّرة التي تمنح المزارعين نصائح سريعة ومباشرة حول صحة النبات، مما يمكّنهم من معالجة المشكلات مبكراً، وتقليل استخدام المبيدات غير الضروري، وحماية المحاصيل. ومع أن هناك حاجة إلى مزيد من العمل لاختبار هذه الأنظمة في ظروف ميدانية متنوعة وتحويلها إلى تطبيقات سهلة الاستخدام، تشير النتائج إلى أن تشخيص الأمراض المدعوم بالذكاء الاصطناعي يمكن أن يصبح حليفاً عملياً في جعل إنتاج الأرز العالمي أكثر مرونة واستدامة.

الاستشهاد: Ismail, A., Hamdy, W., Ibrahim, A.H. et al. Classification of rice plant diseases using efficient DenseNet121. Sci Rep 16, 7482 (2026). https://doi.org/10.1038/s41598-026-38078-6

الكلمات المفتاحية: كشف أمراض الأرز, تصوير صحة النبات, التعلّم العميق, حماية المحاصيل, أمن الغذاء