تصنيف الأقحوان عبر محول دمج فضاء الألوان

لماذا مكان نشأة الزهرة ولونها مهمان فعلاً

الأقحوانات أكثر من مجرد زهور جميلة لسلال خريفية. في الصين، تُعد أيضاً دواءً عشبياً تقليدياً ومحصولاً ذا قيمة، لكن خصائصها العلاجية وسعرها في السوق يعتمدان بشدّة على سلالة النبات ومكان زراعتها. اليوم، يَتطلّب تمييز أقحوان طبي عن آخر في الغالب عيون خبراء أو اختبارات كيميائية أو تحليلات جينية—طرق بطيئة ومكلفة وصعبة التطبيق في الميدان. تقدّم هذه الدراسة طريقة قائمة على الكاميرا تسمح للحاسوب بفرز الأقحوانات بسرعة ودقة مجرداً من الصور، عبر فحص اللون بعناية بطريقة جديدة.

رؤية الأزهار كما تفعل الكاميرا

تخزن معظم الصور الرقمية الألوان كمزيج من الأحمر والأخضر والأزرق (RGB). هذا يناسب العرض، لكنه لا يتطابق دائماً مع كيفية إدراك البشر للسطوع والفروق اللونية الدقيقة، خصوصاً عند اختلاف الإضاءة. يحوّل الباحثون صور RGB التقليدية لرؤوس أقحوان—وخاصة الجهة الخلفية من الأزهار التي تحمل دلائل بنيوية ولونية غنية—إلى نظام لوني ثانٍ يعرف باسم LAB. في نظام LAB، تتعلّق قناة واحدة بالفاتح مقابل الداكن، بينما تصف القناتان الأخريان كيفية اختلاف الألوان على محوري الحمرة–الخضرة والصفرة–الزُّرقة. بالعمل في النظامين معاً، تحافظ الطريقة على التفاصيل الدقيقة للصورة الأصلية بينما تلتقط أيضاً فروقاً لونية أكثر استقراراً وشبيهة بالإحساس البشري بين أزهار متشابهة.

وجهان متوازيان لنفس الزهرة

لاستخلاص أقصى استفادة من هذين المنظورين المكمّلَين، صمّم الباحثون شبكة «متعددة المسارات»—بمعنى مسارين خبيران يعملان بالتوازي. يدرس مسار واحد نسخة RGB من كل صورة، بينما يحلل المسار الآخر نسخة LAB. كل مسار مبنٍّ من كتل تلافيفية عصرية، وهي نوع من هياكل التعلم العميق المتفوّقة في التقاط الحواف والأنسجة والأشكال. تراقب الطبقات المبكرة محيط البتلات وأنماط النسيج الصغيرة، في حين تلخّص الطبقات الأعمق البنى الأوسع. في عدة مراحل، تدمج الشبكة ما تعلّمه كل مسار عن طريق تكديس خرائط الميزات معاً. هذا يسمح للنموذج بموازنة الخطوط الحادة من RGB مقابل البنى اللونية الأكثر نعومة والمقاومة لتغيّر الإضاءة من LAB، ودمجهما في صورة داخلية أغنى لكل زهرة.

إتاحة الانتباه لالتقاط التفاصيل الحاسمة

بعد أن تستخلص المسارات المتوازية صور الأزهار إلى خرائط ميزات مضغوطة، يتولى نوع ثانٍ من النماذج المهمة: محول الرؤية. اخترع المحول في الأصل للغة حيث يتفوّق في اكتشاف العلاقات بعيدة المدى، ويزداد الآن استخدامه في تحليل الصور. هنا، تُقطّع ميزات الأقحوان المدمجة إلى رقع صغيرة كثيرة وتغذَّى إلى المحول، الذي يستخدم آلية «الانتباه» ليقرر أي الرقع هي الأهم في تمييز السلالات. تساعد هذه النظرة العامة الشبكة على ربط فروق لونية دقيقة بالقرب من قاعدة البتلات مع أنماط أبعد على رأس الزهرة، مؤدية إلى حكم أكثر موثوقية على نوع وأصل كل زهرة.

وضع النظام تحت الاختبار

جمعت الفريق مجموعة صور كبيرة: أكثر من 9000 صورة للجهتين الخلفية والأمامية لأزهار من 18 نوع أقحوان و15 منطقة زراعة، مع وجود بعض الأصناف—مثل أقحوان هانغباي—ممثلة عبر مواقع عديدة. درّبوا وقيّموا نموذجهم على هذا المجموع وقارنوه بهياكل تعلم عميق معروفة تُستخدم على نطاق واسع في التعرف على الصور. النتائج لافتة: عند العمل على صور العرض الخلفي، حققت الطريقة الجديدة دقة تقارب 96–97% على مجموعة بياناتهم الخاصة بالأقحوان وأكثر من 99% على معيار عام لمجموعات صور الأزهار. تفوقت على عدة منافسين أقوياء، بما في ذلك الشبكات التلافيفية البحتة ونماذج المحول البحتة، وحافظت ليس فقط على دقة عالية بل أيضاً على أداء مستقر عبر العديد من فئات الأقحوان المختلفة.

ما يعنيه هذا للمزارعين والطب العشبي

بعبارات يومية، تُظهر الدراسة أن نظام تحليل صور مصمَّم بعناية يمكنه مضاهاة—وفي بعض الحالات تجاوز—موثوقية الطرق المختبرية الأكثر تعقيداً في التعرف على الأقحوانات الطبية. من خلال الجمع بين طريقتين لتمثيل اللون ونوعين مكمّلين من الشبكات العصبية، يمكن للطريقة التقاط دلائل بصرية دقيقة تميّز زهوراً متشابهة من مناطق مختلفة. قد يدعم هذا فحوصات الجودة السريعة في الأسواق، ويساعد في تتبّع أصل رؤوس الأزهار المجففة، ويمتد في النهاية إلى نباتات عشبية أخرى تعتمد على تحديد السلالة بدقة. ومع انتقال هذه الأدوات من المختبر إلى أجهزة محمولة أو آلات فرز، فهي تعد بجعل «العين المدربة» للخبير متاحة حيثما تُزرع أو تُتاجر أو تُوصف النباتات الطبية.

الاستشهاد: Jiang, J., Yang, X., Wang, T. et al. Chrysanthemum classification via color space fusion transformer. Sci Rep 16, 9397 (2026). https://doi.org/10.1038/s41598-026-40027-2

الكلمات المفتاحية: تصنيف الأقحوان, التعرف على صور النباتات, دمج فضاء الألوان, محول الرؤية, الأعشاب الطبية