تقييم شامل لنماذج التعلم العميق خفيفة الوزن لتصنيف أمراض الطماطم في بيئات الحوسبة الطرفية

عيون أذكى لنباتات الطماطم

تفقد محاصيل الطماطم في أنحاء العالم جزءًا كبيرًا من محصولها المحتمل بسبب أمراض الأوراق. اليوم، يمكن للمزارعين التقاط صور للأوراق بهاتف أو كاميرا ميدانية، ليقوم الذكاء الاصطناعي بالإشارة إلى المشكلات مبكرًا. لكن هناك عقبة: العديد من أكثر نماذج الذكاء الاصطناعي دقة ثقيلة جدًا بحيث لا يمكن تشغيلها على أجهزة منخفضة التكلفة في الحقول والبيوت البلاستيكية. تطرح هذه الدراسة سؤالًا عمليًا: أي النماذج الصغيرة يمكنها اكتشاف أمراض الطماطم بدقة وتشغيل نفسها بسرعة على أجهزة صغيرة وغير مكلفة بالقرب من النباتات؟

لماذا تهم صور أوراق الطماطم

تظهر أمراض الطماطم غالبًا أولًا كبقع أو عفن أو تغيرات في لون الأوراق، والتقاطها مبكرًا يمكن أن يمنع خسائر كبيرة في الغلة. يبني المؤلفون عملهم على مجموعة صور عامة شائعة اسمها PlantVillage، مع تركيز على أكثر من 18 ألف صورة لأوراق الطماطم تغطي تسع أمراض بالإضافة إلى نباتات سليمة. تم توحيد كل الصور وإجراء تغييرات طفيفة أثناء التدريب لمحاكاة التغيرات الواقعية مثل الإضاءة والتكبير والتحركات الصغيرة في الموضع. يسمح ذلك للباحثين باختبار مدى قدرة نماذج الذكاء الاصطناعي المختلفة على تعلم التعرُّف على الأنماط البصرية التي تميز، على سبيل المثال، الذبول المبكر عن الذبول المتأخر، أو ورقة سليمة عن ورقة مصابة بفيروس.

مقارنة العديد من النماذج الصغيرة المستوحاة من الدماغ

بدلًا من تصميم نموذج جديد آخر بمفردهم، أعد الفريق سباقًا عادلًا بين سبع معماريات تعلم عميق مضغوطة. بعضها شبكات اعتادت على تحقيق نجاحات في مهام التعرف على الصور، مثل VGG16 وResNet50 وDenseNet121. وبعضها الآخر تصاميم أحدث خُصِّصت للعمل جيدًا على الهواتف والأجهزة المدمجة، مثل MobileNetV3-Small وShuffleNetV2 وSqueezeNet. المتنافس الأخير، MobilePlantViT، هو نموذج هجين يجمع بين فكرتين: طبقات الالتفاف التقليدية التي تلتقط التفاصيل الدقيقة في مناطق صغيرة من الصورة، وآلية انتباه على غرار المحولات التي تربط أجزاء بعيدة من الورقة لفهم نمط المرض الشامل.

استكشاف قرار الذكاء الاصطناعي

لكي يثق المزارعون وعلماء المحاصيل بهذه النماذج، لا يكفي أن تكون دقيقة فحسب — يجب أن تكون قابلة للفهم أيضًا. لذلك استخدم المؤلفون ثلاث تقنيات شائعة للـ"الذكاء الاصطناعي القابل للتفسير" التي تنتج خرائط حرارية فوق كل صورة ورقة، تظهر أي المناطق أثرت أكثر على القرار. هذه التقنيات هي Grad-CAM وLIME وSHAP. وللتقدم إلى ما هو أبعد من مجرد فحص هذه الخرائط الملونة بالعين، قدم الفريق مقياسًا جديدًا أطلقوا عليه اسم مقياس استقرار الاضطراب. بإضافة ضوضاء خفيفة للصورة مرات عديدة ومقارنة مقدار تغير خرائط التفسير، يمكنهم قياس مدى ثبات وموثوقية كل طريقة تفسير. عبر النماذج، تميل SHAP إلى إعطاء تفسيرات أكثر ثباتًا، بينما توفر Grad-CAM تمييزات واضحة وعالية الدقة للمناطق المصابة تتوافق جيدًا مع توقعات الخبراء البشريين.

السرعة والطاقة على أجهزة حقيقية

نظرًا لأن أدوات المزارع غالبًا ما تعتمد على معالجات منخفضة التكلفة بدون وحدات رسوميات، قيَّم الباحثون مدى سرعة تشغيل كل نموذج على وحدات المعالجة المركزية المكتبية القياسية وعلى Raspberry Pi 5، وهو كمبيوتر صغير وميسور التكلفة يُشابه الأجهزة المستخدمة في الكاميرات الذكية. تتبعوا حجم النموذج وعدد العمليات الحسابية الأساسية لكل صورة ووقت معالجة صورة واحدة تحت إعدادات خيوط تنفيذ مختلفة. تعطي الشبكات القياسية مثل VGG16 دقة ممتازة لكنها ضخمة وبطيئة، بينما تعمل النماذج الصغيرة مثل SqueezeNet بسرعة لكنها تفقد بعض الدقة، خصوصًا تحت ظروف صور أكثر تحديًا وضوضاء ميدانية. يبرز MobilePlantViT: فهو يحقق دقة تفوق 99% على الصور النظيفة ويظل تنافسيًا في الاختبارات الأكثر واقعية، مع استخدام جزء ضئيل من الذاكرة والحساب، محققًا أداءً شبه في الزمن الحقيقي حتى على أجهزة محدودة الموارد.

ماذا يعني هذا للمزارع الذكية في المستقبل

بوجه عام، تظهر الدراسة أن النماذج خفيفة الوزن المصممة بعناية يمكن أن تُقدّم تعرفًا عالي المستوى على الصور إلى حافة الحقل، حيث تكون الاتصالات والطاقة محدودة. من بين جميع الهندسات المختبرة، يوفر MobilePlantViT أفضل مزيج من تشخيص دقيق، واستخدام فعّال لموارد الحوسبة، وتوضيحات بصرية واضحة لما "ينظر" إليه النموذج عند توقعه المرض. للمزارعين ومطوري التكنولوجيا، يشير هذا إلى مستقبل يمكن أن تقوم فيه أجهزة صغيرة ورخيصة التركيب على هواتف أو طائرات دون طيار أو قضبان بيوت بلاستيكية بمسح نباتات الطماطم باستمرار، تمييز الأوراق المشبوهة، وتبرير تحذيراتها بطرق يستطيع علماء المحاصيل التحقق منها والثقة بها.

الاستشهاد: Hoang, TM., Bui, VH., Nguyen, VS. et al. A comprehensive evaluation of lightweight deep learning models for tomato disease classification on edge computing environments. Sci Rep 16, 12320 (2026). https://doi.org/10.1038/s41598-026-42439-6

الكلمات المفتاحية: كشف أمراض الطماطم, الذكاء الاصطناعي على الحافة, التعلم العميق خفيف الوزن, محول الرؤية, الذكاء الاصطناعي القابل للتفسير