إطار هجين قائم على الالتفاف والانتباه مع تفسير بصري لتحديد أمراض الفاكهة

لماذا تهم فحوصات الفاكهة الأذكى

من الموز على الإفطار إلى الفراولة في العصائر، تُعد الفاكهة سلعة يومية — ومصدر دخل رئيسي للمزارعين حول العالم. لكن البقع المخفية والتعفن والعدوى الفطرية يمكن أن تقضي على المحاصيل بصمت، وتقصر مدة الصلاحية، وترفع الأسعار. تستعرض هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي متقدم وخفيف الوزن أن يكتشف تلقائياً أمراض الفواكه الشائعة من صور بسيطة، بينما يبيّن للبشر بالضبط ما "نظر إليه" لاتخاذ كل قرار.

مشكلة الفاكهة المريضة

محاصيل الفاكهة مثل الموز والعنب والليمون والمانجو والفراولة عرضة لمجموعة واسعة من الأمراض الناجمة عن الفطريات والبكتيريا والفيروسات ومشاكل العناصر الغذائية. تظهر هذه المشكلات غالباً كبقع صغيرة على الأوراق، أو بقع متغيرة اللون، أو مناطق تعفن على سطح الفاكهة. إذا اكتُشفت في وقت متأخر، تنتشر العدوى بسرعة عبر البساتين، ما يقلص المحصول ويجبر المزارعين على إنفاق المزيد على المواد الكيميائية وفحوصات يدوية مكثفة. يعتمد التشخيص التقليدي على خبراء مدرَّبين يتجوَّلون في الحقول ويفحصون النباتات بصرياً — وهو إجراء بطيء وذو طابع شخصي وصعب التوسع إلى مزارع كبيرة. الأعراض المبكرة أو الطفيفة تُفوَّت بسهولة، خاصةً تحت إضاءة متغيرة أو خلفيات معقدة، أو عندما تبدو الفواكه متشابهة عبر الأصناف.

تعليم الحواسيب رؤية عيوب الفاكهة

لجأ الباحثون إلى التعلّم العميق، وهو شكل من أشكال الذكاء الاصطناعي يتعلّم الأنماط مباشرةً من الصور. استخدموا مجموعة بيانات عامة مكوّنة من 22,457 صورة لخمس فئات من الفاكهة، صنِّفت كل صورة على أنها سليمة أو متعفنة. أعيد تغيير حجم الصور بعناية، وصُحِّحَت ألوانها، وزُيّنت بعمليات تدوير، وانعكاسات، وضوضاء لتقليد التباين في العالم الحقيقي وتجنُّب الإفراط في التكيّف مع ظروف ضيقة. اختبر الباحثون أربعة نماذج قوية حالية كمعايير أساسية: اثنان قائمان على الشبكات العصبية الالتفافية (التي تتفوّق في التقاط القوام والحواف المحلية) واثنان قائمان على بنى المحوِّلات (التي تجيد التقاط علاقات المدى الطويل عبر الصورة). أُعيد تدريب كل نموذج على مجموعة بيانات الفاكهة وتم تقييمه من حيث الدقة والصلابة عبر التحقق المتقاطع وتكلفة الحساب.

نموذج هجين يرى التفاصيل والصورة الكُبرى معاً

انطلاقاً من نقاط القوة والضعف في تلك النماذج الأساسية، صمم المؤلفون نموذجاً هجيناً جديداً أسموه CoAT‑AgriLite. يجمع بين "جذع" التفافِي يركِّز على التفاصيل المكانية الدقيقة — مثل الآفات الصغيرة أو خشونة السطح — وكتل قائمة على الانتباه مستعارة من شبكات المحوِّل التي تلتقط كيفية ارتباط مناطق مختلفة من الفاكهة ببعضها عبر الصورة بأكملها. بدلاً من تكديس شبكة التفاف وشبكة محوِّل ببساطة الواحدة بعد الأخرى، يدمج CoAT‑AgriLite ميزاتهما في منتصف الطريق، مما يسمح للمعلومات المحلية والعالمية بالتفاعل مباشرة. التصميم متعمد أن يكون خفيف الوزن: يستخدم معلمات أقل وعمليات حسابية عائمة أقل من نماذج المحوِّل النموذجية، ما يجعله مناسباً للاستخدام في الوقت الحقيقي على أجهزة متواضعة مثل الهواتف المحمولة والطائرات بدون طيار أو أجهزة الحافة في مصانع التعبئة.

رؤية كيفية اتخاذ الذكاء الاصطناعي قراراته

ليست الدقة وحدها كافية في الزراعة، حيث قد يعني القرار الخاطئ هدر الفاكهة أو انتشار المرض دون رصد. لبناء الثقة، دمج الفريق أداة تفسيرية تُعرف باسم Grad‑CAM. لكل تنبؤ، تنتج Grad‑CAM خريطة حرارية تبرز مناطق صورة الفاكهة التي ساهمت أقوى في قرار النموذج. في الفواكه السليمة، ينتشر الانتباه بشكل متساوٍ أو يبقى منخفضاً، بينما في الفواكه المريضة يتركز حول البقع الداكنة والبقع المتغيرة اللون أو المناطق اللينة. أظهرت التجارب أن أكثر من 90 بالمئة من طاقة تنشيط النموذج تركّزت على مناطق الآفة الحقيقية بدلاً من فوضى الخلفية، وحتى أخطاءه النادرة كانت تميل إلى أن تكون في صور بها أضرار دقيقة للغاية أو مخفية جزئياً بدلاً من ضوضاء عشوائية.

مدى فاعليته ولماذا يهم ذلك

عبر اختبارات واسعة، تفوَّق CoAT‑AgriLite بوضوح على جميع النماذج الأربعة المرجعية ومجموعة من الأنظمة المنشورة سابقاً. على الصور غير المرئية أثناء التدريب، حقق دقة كلية بلغت 99.37 بالمئة، مع مقاييس دقة واستدعاء وF1 مرتفعة بالمثل لكل نوع فاكهة، ما يدل على أنه نادراً ما يفوّت عينات مريضة ونادراً ما يصدر إنذارات كاذبة. كما تساوى أو تفوّق على نماذج أكثر تعقيداً وثِقلاً مع متطلبات حسابية أقل، مؤكداً أن التصميم الهجين المدروس يمكن أن يكون قوياً وفعالاً في الوقت نفسه. للقراء غير المتخصصين، الرسالة الأساسية هي أن ذكاءً اصطناعياً مدمجاً وصغير الحجم وقابل للتفسير يمكنه الآن فحص صور عادية للفاكهة بالكشف الموثوق عن الأمراض، مع تبرير بصري لخياره. يمكن أن تدعم مثل هذه الأنظمة المزارعين والفنيين ومديري سلاسل التوريد في مراقبة صحة المحاصيل، وأتمتة خطوط الفرز، وتقليل الهدر — مما يساعد على إيصال فاكهة صحية من البستان إلى المائدة بشفافية أكبر وتكلفة أقل.

الاستشهاد: Kothandaraman, R., Srinivasan, S., Mathivanan, S. et al. A hybrid convolution and attention-based framework with visual explanation for fruit disease identification. Sci Rep 16, 12771 (2026). https://doi.org/10.1038/s41598-026-42135-5

الكلمات المفتاحية: كشف أمراض الفاكهة, الذكاء الاصطناعي القابل للتفسير, التعلّم العميق, الرؤية الحاسوبية, الزراعة الدقيقة