نموذج هجين خفيف من شبكات التلافيف والمحولات لتصنيف أمراض أوراق النباتات الطبية مع ذكاء اصطناعي قابل للتفسير

لماذا يهم الاهتمام الأذكى بالنباتات

تعتمد العديد من الأعشاب المستخدمة في العلاجات المنزلية والأدوية الحديثة—مثل التولسي (الريحان المقدس)، والخِرْدَ، والـpatharkuchi—على أوراقٍ صحية لإنتاج المركبات العلاجية. عندما تهاجم الأمراض هذه الأوراق، تفقد النباتات كل من الغلة والفعالية الدوائية. تعرض الورقة نظامًا صغيرًا للذكاء الاصطناعي قادرًا على اكتشاف أنواع مختلفة من أمراض الأوراق من الصور بدقة ملحوظة. صُمم هذا النظام ليعمل على أجهزة منخفضة التكلفة ويُظهر بوضوح ما «يركز عليه»، ما قد يساعد المزارعين والبستانيين على حماية النباتات الطبية القيمة في الوقت الفعلي.

تهديدات خفيّة على أوراق مألوفة

تركز الدراسة على ثلاثة نباتات طبية مستخدمة على نطاق واسع: Kalanchoe pinnata (patharkuchi)، وAzadirachta indica (الخرِد أو النيم)، وOcimum tenuiflorum (التولسي). تقدّم هذه النباتات فوائد مضادة للبكتيريا والالتهاب وحتى مضادة للسرطان، ومع ذلك تكمن أوراقها عرضةً لشبكات فطرية واصفرار ناتج عن الإجهاد وأنواع مختلفة من البقع المرضية. يعتمد التشخيص التقليدي على خبرة العيون الميدانية أو اختبارات مخبرية بطيئة ومكلفة من حيث المعدات، وكلاهما يصعبان اكتشاف المشكلات مبكرًا أو على مساحات واسعة. مع ارتباط صحة النباتات بالصحة العامة والاقتصادات المحلية، ثمة حاجة قوية لأدوات تلقائية دقيقة ومفسرة يمكنها الإشارة إلى المرض بسرعة باستخدام الصور فحسب.

بناء عين ذكية للأوراق المريضة

لمواجهة هذا التحدي، أنشأ المؤلفون نموذجًا جديدًا باسم LSeTNet، وهو نموذج هجين خفيف يجمع بين فكرتين شائعتين في رؤية الحاسوب للصور: الشبكات الالتفافية التي تتقن التقاط القوام والخطوط الدقيقة، وطبقات المحولات التي تتفوق في إدراك الأنماط البعيدة الانتشار عبر الصورة. تعلم النظام أولًا من مجموعة صور جمعها بعناية تسمى MedicinalLeaf‑12، التي تضم 12 فئة تغطي الحالات السليمة والمريضة للنباتات الثلاثة. اُلتقطت الصور في ظروف ميدانية واقعية بتنوّع في الإضاءة والزوايا والخلفيات، ثم نُقّحت وحُسّنت بحيث تبرز بقع المرض وعروق الورقة بوضوح أكبر. كما استخدم الفريق تعزيزًا واسع النطاق للصور—تدوير، تكبير، تغيير السطوع، والمزيد—لتقليد التنوع الفوضوي في المزارع الحقيقية مع الحفاظ على توازن مجموعة البيانات.

كيف يفكر النموذج في الأوراق

يعالج LSeTNet كل صورة ورقة على مراحل. تلتقط طبقات التلافيف الخفيفة الدلائل المحلية مثل البقع الصغيرة، والشبكات، وحدّة حواف الأوراق. ثم تُعيد وحدات «العصر والتّعزيز» (squeeze-and-excitation) وزن هذه الإشارات، فتُعلي قنوات تحمل دلالات مرضية وتُخفّض تلك التي يهيمن عليها الخلفية. يتبع ذلك كتلة محول تربط مناطق بعيدة من الورقة حتى يتمكن النموذج، على سبيل المثال، من ربط البقع الصفراء المبعثرة أو الأنماط التي تمتد على طول العروق. أخيرًا، يقرر مُصنف مدمج أيّ من الحالات الاثنتي عشرة تتطابق أفضل مع كل صورة. وبالرغم من استخدامه نحو 9.4 مليون معامل فقط وقدرة حسابية متواضعة، يحافظ النموذج على سرعةٍ عالية واستهلاك ذاكرة منخفض، ما يجعله مناسبًا للهواتف والأجهزة اللوحية أو الحواسيب الصغيرة ذات اللوحة الواحدة.

رؤية داخل الصندوق الأسود

نظرًا إلى أن المزارعين والمتخصصين في علوم المحاصيل يحتاجون إلى الثقة في أي تشخيص آلي، أدرج المؤلفون قابلية التفسير في نظامهم. استخدموا أدوات مثل Grad‑CAM وLIME لإنشاء خرائط حرارة تُظهر أين «يُولي» النموذج اهتمامه في كل ورقة، ورسومات t‑SNE لتصوير كيفية تجمّع الأمراض المختلفة في فضاء الميزات الداخلي للنموذج. تكشف هذه التفسيرات أن الذكاء الاصطناعي يركّز باستمرار على الآفات والأنسجة الملوّنة والشبكات الفطرية بدلاً من الخلفية العادية أو السيقان. حتى في حالات الخطأ النادرة—خمس أخطاء فقط من أصل 1800 صورة اختبار—تظل المناطق المظللة على مناطق ذات معنى بيولوجي؛ وينشأ الالتباس أساسًا عندما تبدو حالتان مرضيتان متشابهتين للغاية للعين البشرية.

ما تعنيه النتائج للمزارعين

على مدى مجموعة البيانات الرئيسية، صنّف LSeTNet صور الأوراق بشكل صحيح بدقة تقارب 99.7%، وحقق أداءً عاليًا مشابهًا عند اختباره على مجموعة بيانات خارجية منفصلة من نباتات طبية بنغلاديشية لم يرها من قبل. وفي الوقت نفسه، يعمل بسرعة (نحو سبعة في الألف من الثانية لكل صورة على GPU) ويستلزم مساحة ذاكرة صغيرة، مما يفتح الباب أمام تطبيقات ميدانية منخفضة التكلفة. عمليًا، تُظهر هذه الدراسة أن الذكاء الاصطناعي المدمج والشفاف قادر على اكتشاف علامات المرض المبكرة في نباتات طبية مهمة وإظهار سبب قراره للمستخدم بوضوح. مع مزيد من الاختبارات على أنواع أكثر وظروف ميدانية أصعب، يمكن أن تساعد أنظمة مماثلة في حماية سلاسل إمداد الطب العشبي، ودعم الزراعة الدقيقة، ومنح صغار المزارعين «رأيًا ثانيًا» متاحًا في جيوبهم.

الاستشهاد: Ahmmed, J., Kabir, M.A., Rehman, A.u. et al. A lightweight hybrid CNN and transformer model for medicinal leaf disease classification with explainable AI. Sci Rep 16, 8243 (2026). https://doi.org/10.1038/s41598-026-39182-3

الكلمات المفتاحية: النباتات الطبية, كشف أمراض الأوراق, التعلّم العميق, الذكاء الاصطناعي القابل للتفسير, الزراعة الدقيقة