دمج تحويل Gaussian-Haar يعزز DEIM لاكتشاف نضج الرمان

حصاد أذكى لعالم متزايد

معرفة اللحظة الدقيقة التي تكون فيها الفاكهة جاهزة للقطف هي واحدة من أهم – وأكثرها صعوبة – القرارات في الزراعة. تتناول هذه الدراسة هذه المشكلة بالنسبة للرمان، محصول ينمو من حيث الأهمية الاقتصادية والغذائية. بدل الاعتماد على العين البشرية أو اختبارات مخبرية بطيئة، يقدم الباحثون نظام ذكاء اصطناعي مدمج يمكنه تحليل صور عادية ملتقطة في بساتين حقيقية لتحديد مرحلة نمو كل ثمرة رمان، من البراعم الصغيرة إلى الثمار الناضجة بالكامل. الهدف هو جعل الحصاد الآلي، وتوقع الغلة، وإدارة البستان أسرع وأكثر دقة وعمليًا حتى على أجهزة منخفضة الطاقة.

لماذا من الصعب رؤية نمو الرمان

في البساتين الحقيقية، ليس رصد الرمان بالأمر السهل كما يبدو. في بداية الموسم، تكاد الثمار الخضراء الصغيرة تختفي بين الأوراق الخضراء الكثيفة، مما يربك العديد من طرق رؤية الحاسوب الحالية التي تعتمد غالبًا على اللون. لاحقًا، قد تكون الثمار الناضجة مخفية جزئيًا بواسطة الأوراق أو تقع في ظلال كثيفة نتيجة ضوء الشمس غير المنتظم، مما يؤدي إلى وضع صناديق اكتشاف في المكان الخطأ أو إلى تفويت الثمار تمامًا. كما أن معظم الأنظمة السابقة تركز على الفاكهة بعد الحصاد أو على نقطة واحدة في دورة النمو، ما يحد من فائدتها في تخطيط الري والتسميد ومكافحة الآفات طوال الموسم. وإضافةً إلى ذلك، تكون النماذج الدقيقة جدًا عادةً كبيرة وتستهلك طاقة عالية بحيث يصعب تشغيلها على الحواسيب الصغيرة المستخدمة في الروبوتات الميدانية وأجهزة الحافة.

تعليم الكاميرا أن ترى بما يتجاوز اللون

لتجاوز هذه العقبات، بنى الباحثون نظام كشف جديد أسماه GLMF-DEIM. أولًا، جمعوا مجموعة بيانات متخصصة مكوّنة من 5,855 صورة عالية الجودة من بساتين في شاندونغ، الصين، تم التقاطها من أبريل إلى أكتوبر في ظروف إضاءة وجو متباينة. وسمّ الخبراء 11,482 من براعم وزهور وثمرات الرمان الفردية، مقسمة إلى خمس مراحل نمو وثلاث فئات حجميّة. تتيح هذه المجموعة الغنية للنموذج أن يتعلّم شكل الرمان في كل مرحلة من التطور، من البراعم الصغيرة المغلقة بإحكام إلى الثمار الكبيرة والمفعمة بالألوان، وكيف تظهر في أوقات يوم مختلفة وتحت درجات تغطية ورقية متفاوتة.

النظر إلى النسيج والتفاصيل، ليس اللون فقط

جوهر GLMF-DEIM هو مجموعة حيل ذكية تساعد الحاسوب على التمييز بين الثمار والأوراق وملاحظة ميزات صغيرة ودقيقة دون إهدار حسابي كبير. يستخدم مُكوّن أمامي عملية رياضية تشبه تقسيم الصوت إلى نغمات منخفضة وعالية. يُجزِّئ الصورة إلى مناطق ملساء وحدود حادة، بعد أن يخفف أولًا الضوضاء الخلفية الصغيرة بلطف. بما أن قشور الرمان نسبياً ملساء بينما تشكل الأوراق خلفية مشغولة الملمس، فإن هذا المنظور القائم على التردد يجعل التفرقة بينهما أسهل حتى عندما يشتركان في نفس درجة اللون الأخضر. تُكيف وحدات خفيفة أخرى طريقة تصغير الصورة بحيث تُحافَظ على تفاصيل السطح المهمة المتعلقة بالنضج، وتتعلّم إيلاء اهتمام خاص للمعلومات الموزعة عبر مقاييس مكانية مختلفة، من البراعم الصغيرة إلى الثمار الكبيرة الناضجة.

رؤية كل ثمرة، كبيرة كانت أم صغيرة

بعيدًا عن التعرف على النسيج الفردي، يجب أن يتعامل النظام مع ثمار بأحجام متعددة متناثرة في المشهد. لتحقيق ذلك، صمم المؤلفون شبكة دمج خصائص تبني نوعًا من الهرم من تمثيلات الصورة. في المستويات العليا، يلتقط النموذج الأشكال العريضة؛ وفي المستويات الدنيا، يحتفظ بالحواف والأنماط الدقيقة. تتدفق المعلومات صعودًا وهبوطًا في هذا الهرم بحيث تفهم كل طبقة كشف السياق والتفاصيل المحلية معًا. ثم يستخدم رأس الكشف بنية «المحوّل» الحديثة — طريقة لنمذجة العلاقات بين العديد من النقاط في الصورة مرة واحدة — مقترنةً باستراتيجية تدريب مصقولة تزوده بأمثلة كثيفة ومتنوعة ودالة خسارة تعاقب كلًا من الأخطاء الواثقة زيادةً والضربات قليلة الثقة. معًا، تساعد هذه الخيارات النظام على التقارب بسرعة والبقاء قويًا في المشاهد الصعبة ذات الثمار المتداخلة والخلفيات المزدحمة.

دقة أفضل مع قدرة حسابية أقل

في اختبارات مقارنة مباشرة مع أنظمة كشف الأجسام الرائدة، يتصدّر النهج الجديد النتائج. يحدد بدقة ثمار الرمان الناضجة بحوالي 93 بالمئة من الدقة في إعداد تقييم قياسي ويحافظ على أداء قوي حتى تحت قواعد تقييم أشد. تظهر مكاسب ملحوظة بشكل خاص للأهداف الصغيرة والصعبة الرصد، بينما يظل ممتازًا أيضًا في الثمار الكبيرة. وفي الوقت نفسه، يستخدم حسابات ومعلمات أقل بكثير من النماذج الثقيلة، مما يجعله مناسبًا للنشر على روبوتات ميدانية وطائرات دون طيار أو محطات مراقبة منخفضة التكلفة. بمصطلحات يومية، يعني هذا أن جهازًا مزودًا بكاميرا قد يجوب بستان رمان، يتابع بثقة تطور ثمار كل شجرة، ويساعد المزارعين في قرار متى وأين يحصدون أو يتدخلون — كل ذلك دون حاجة إلى حاسوب عملاق في الحظيرة.

الاستشهاد: Wang, Y., Liu, S., Hao, P. et al. Gaussian-Haar transform fusion enhances DEIM for pomegranate maturity detection. Sci Rep 16, 8246 (2026). https://doi.org/10.1038/s41598-026-39620-2

الكلمات المفتاحية: كشف الرمان, نضج الفاكهة, الزراعة الذكية, رؤية الحاسوب, نماذج التعلم العميق