نموذج هجيني خفيف الوزن جديد (CNN–ViT) لتصنيف أمراض أوراق الذرة

مساعدة المزارعين على اكتشاف نباتات الذرة المريضة مبكراً

الذرة تغذي البشر والحيوانات، وحتى تُستخدم كوقود لسياراتنا. لكن العدوى الخفية في أوراقها قد تقلص المحاصيل والرزق بهدوء. تقدم هذه الدراسة نظام رؤية حاسوبية ذكي وخفيف الوزن يكتشف أمراض نباتات الذرة تلقائياً، حتى في صور الحقل الفوضوية الواقعية. من خلال الجمع بين نوعين مختلفين من الذكاء الاصطناعي وتكييفهما للأجهزة منخفضة التكلفة، يوضح الباحثون كيف يمكن للمزارعين مستقبلاً استخدام الهواتف أو الطائرات من دون طيار أو كاميرات بسيطة لمراقبة صحة المحاصيل بسرعة ودقة.

لماذا يصعب اكتشاف أمراض الذرة

في الحقول الواقعية، نادراً ما تقف نباتات الذرة بشكل مرتب أمام الكاميرا. تتداخل الأوراق، يتغير الإضاءة، وتظهر التربة أو الأوعية في الخلفية. قد يفوّت الخبراء البشريون الذين يتجولون في الحقول أعراضاً مبكرة طفيفة، ووقتهم محدود. العديد من الأدوات المعتمدة على الصور مُدرَّبة على صور مثالية تُظهر ورقة واحدة على خلفية بسيطة—ما يختلف تماماً عن تشابك الأوراق الذي تراه طائرة بدون طيار أو كاميرا ثابتة. هذا التباين يجعل خوارزميات اليوم تكافح عند خروجها من المختبر، خاصة عندما تحتاج أيضاً إلى العمل على أجهزة متواضعة مثل الهواتف المحمولة أو أجهزة الحافة الصغيرة.

طريقتان ترى بهما الآلات ولماذا تحتاجان لبعض

تميل أنظمة التعرف على الصور الحديثة إلى الاعتماد إما على الشبكات العصبية التلافيفية أو على عائلة أحدث تُسمى المحولات البصرية. تتفوق الشبكات التلافيفية في التقاط التفاصيل الدقيقة مثل الحواف والبقع في مناطق صغيرة من الصورة، مما يجعلها جيدة في اكتشاف دلائل المرض المحلية. من ناحية أخرى، تكون المحولات أفضل في فهم الصورة الكبيرة—كيفية ارتباط الأنماط عبر أجزاء متباعدة من الصورة—لكنها عادةً ما تتطلب مجموعات تدريب ضخمة وحواسيب قوية. وحدها، كل طريقة لها عيوب: قد تغفل التلافيف السياق طويل المدى، في حين قد تكون المحولات ثقيلة ومطالبة بالبيانات للغاية للاستخدامات الزراعية اليومية.

نموذج خفيف الوزن «فريق من الخبراء»

صمم الباحثون نموذجاً هجينيًا يدعى MXiT يجمع عمداً بين هاتين الطريقتين في الرؤية. تُقسَّم صور النباتات الواردة أولاً إلى رقع متداخلة بحيث تُحفظ القوامات الصغيرة. يمر مسار واحد عبر الشبكة بطبقات تلافيفية للتركيز على القوام المحلية وتفاصيل الورقة؛ بينما يستخدم مسار آخر آلية انتباه مبسطة مستوحاة من المحولات لالتقاط البنية العامة عبر مظلة النبات بأكملها. ثم يقرر مُرشِح بسيط، لكل صورة، مقدار الثقة في «خبير التفاصيل المحلية» مقابل «خبير السياق العام»، ويُدمج مخرجاتهما في تنبؤ واحد ما إذا كان النبات سليمًا أم مريضًا. والأهم أن مكوّن الانتباه مُقَلَّص ومُحسّن بحيث يستخدم النظام ككل عدداً قليلاً من المعاملات وحساباً محدوداً نسبياً، ما يجعله مناسباً للأجهزة المحمولة.

الاختبار على مجموعات بيانات واقعية ومعيارية

لاختبار أداء النموذج خارج الظروف المثالية، اعتمد الفريق على مجموعة بيانات صعبة لصور الذرة العلوية تُعرف باسم PlantScanner. تُظهر كل لقطة نباتاً كاملاً من الأعلى، مع عدة أوراق متداخلة وتباين طبيعي في الشكل. يُوَسَم النبات بأنه «مصاب» إذا أظهرت أي ورقة أعراض فطر يُسمى Ustilago maydis. كما تم تقييم نفس النموذج على مجموعة معيارية معروفة من صور أوراق الذرة تُسمى PlantVillage، والتي تتضمن عدة أنواع مرضية مميزة بالإضافة إلى أوراق سليمة. في كلتا المجموعتين، دُرّب MXiT من الصفر وقورن بنماذج خفيفة الوزن ومعتمدة على المحولات مثل MobileViT وPiT وEdgeNeXt وDeiT.

دقة شبه مثالية مع حوسبة أقل

على مجموعة PlantScanner الصعبة، بلغ دقة MXiT نحو 99.9% بينما استخدم عدداً أقل من معاملات النموذج وتكلفة حسابية أقل من منافسيه. تلاقت تدريبه بسرعة وأظهرت سلوكاً مستقراً، على عكس بعض البدائل التي تراوحت دقتها أو تأخرت رغم حجمها الأكبر. على معيار PlantVillage أيضاً، حقق النموذج الهجين مرة أخرى دقة من الطراز الأول مع أصغر بصمة بين النظم الأفضل أداءً. أظهرت التصورات لمناطق تركيز النماذج المختلفة أن MXiT ركز باستمرار على مناطق ذات مغزى بيولوجي—أنسجة الأوراق المتوترة ومراكز النبات—بينما كثيراً ما أهدرت نماذج أخرى الانتباه على التربة أو الخلفية، مما يشير إلى أن التصميم الهجين ليس دقيقاً فحسب بل وأكثر قابلية للفهم أيضاً.

ماذا يعني هذا لمستقبل رعاية المحاصيل

بالنسبة لغير المتخصص، الرسالة الأساسية بسيطة: من خلال السماح لنظامي رؤية تكميليين بالعمل معاً وتقاسم العبء بكفاءة، يمكن لـ MXiT اكتشاف أمراض أوراق الذرة في صور ميدانية واقعية بموثوقية شبه كاملة، دون الحاجة إلى حاسوب خارق. يمكن أن يُغذي هذا النوع من النماذج المدمجة والدقيقة أدوات عملية تعمل على طائرات بدون طيار أو جرارات أو هواتف ذكية، لتمنح المزارعين تحذيرات مبكرة قبل تفشّي المشاكل. بينما يركز العمل الحالي على ما إذا كان النبات سليماً أم مصاباً، يمكن توسيع النهج نفسه لتقدير شدة العدوى، ممهدًا الطريق لإدارة محاصيل أذكى وأكثر دقة وأقل اعتماداً على المواد الكيميائية خلال السنوات المقبلة.

الاستشهاد: Mehdipour, S., Mirroshandel, S.A. & Tabatabaei, S.A. A novel lightweight hybrid CNN–ViT for maize leaf disease classification. Sci Rep 16, 10468 (2026). https://doi.org/10.1038/s41598-026-41190-2

الكلمات المفتاحية: كشف أمراض أوراق الذرة, هجيني شبكات تلافيفية ومحوليات, توصيف النباتات, الزراعة الدقيقة, التعلّم العميق خفيف الوزن