نمذجة فضاء الحالة ثنائية الاتجاه للكشف الخفيف والمتين عن رؤوس القمح في بيئات زراعية معقدة

لماذا يعد عد رؤوس القمح من السماء أمرًا مهمًا

تعتمد تغذية عالم متنامٍ على معرفة مقدار الغذاء الذي يمكن أن تنتجه حقولنا، وإحدى الدلائل الرئيسة تأتي من رؤوس القمح، وهي الأطراف الحاملة للحبوب في كل نبتة. لطالما قام المزارعون والمربون بعدّ هذه الرؤوس يدويًا لتقدير المحصول، لكن القيام بذلك عبر حقول واسعة يستغرق وقتًا طويلاً ومكلفًا ومعرضًا للأخطاء. يقدم هذا البحث نظام رؤية حاسوبية جديدًا، Mamba-WheatNet، يستخدم صورًا من الطائرات دون طيار لرصد وعدّ رؤوس القمح تلقائيًا في الوقت الفعلي، حتى عندما تكون الحقول فوضوية ومكتظة وتتعرض لإضاءة متغيرة.

عيون ذكية فوق حقول زراعية معقدة

الحقول الحقيقية بعيدة عن النظام. قد تختبئ رؤوس القمح خلف الأوراق، أو تتداخل مع بعضها البعض، أو تختلط مع الحشائش والتربة العارية، كما يتغير لونها وشكلها أثناء النمو. حاولت الطرق السابقة الاعتماد على سمات بسيطة مثل اللون أو النسيج، لكن هذه الأساليب تنهار عندما تتغير الإضاءة أو مرحلة النمو. حسّن التعلّم العميق الوضع عن طريق تمكين الشبكات العصبية من تعلّم الأنماط مباشرةً من العديد من الصور. ومع ذلك، لا تزال العديد من النماذج الحالية تكافح في المشاهد المربكة وغالبًا ما تتطلب قدرة حسابية كبيرة يصعب تشغيلها على الطائرات دون طيار أو الأجهزة الميدانية الصغيرة.

نموذج أخف يركّز على ما يهم

صُمم Mamba-WheatNet للتعامل مع هذه التحديات مع البقاء خفيفًا بما يكفي للاستخدام العملي في المزارع. يجمع النموذج بين فكرتين رئيسيتين: طبقات الالتفاف الفعّالة، المفيدة في التقاط التفاصيل المحلية، وعائلة أحدث من النماذج المعروفة بمساحات الحالة الانتقائية، الأفضل في تتبع الأنماط طويلة المدى. يبني المؤلفون مستخرج ميزات يكسر الصور أولًا إلى أنماط متعددة المقاييس ثم يمرّرها عبر مرحلة دمج خاصة تنظر عبر المشهد بأكمله. يساعد ذلك النظام على تجاهل التشويش الخلفي، مثل الأوراق المتداخلة أو التربة، والتركيز أكثر على الأشكال والدرجات الدقيقة التي تميز رؤوس القمح الفردية.

كيف يفكّك النموذج رؤوس القمح الكثيفة

داخل Mamba-WheatNet، يقوم لبنان مخصصان بمعظم العمل الشاق. الأول، المسمى كتلة الانقسام العمقي الباقي (Residual Depthwise Separable Block)، يستخدم التفافًا خفيفًا مقسمًا عبر القنوات لالتقاط التفاصيل الدقيقة دون زيادة كبيرة في العمليات الحسابية. الآخر، كتلة المسح الفراغي ثنائية الاتجاه (Bidirectional Spatial Scanning Block)، يمسح خرائط الميزات أفقيًا وعموديًا، جامعًا السياق في كلا الاتجاهين مع إبراز انتقائي للقنوات الأكثر إفادة. تُجمع هذه المكونات في وحدة دمج أكبر تمزج الدلائل المحلية والعالمية، مما يسهل فصل الرؤوس الملامسة أو المتداخلة والحفاظ على الدقة عندما تكون الرؤوس صغيرة أو مكتظة في الصور الجوية.

وضع النظام قيد الاختبار

لمعرفة مدى فاعلية نهجهم في ظروف واقعية،درّب الباحثون واختبروا Mamba-WheatNet على GWHD-2021، مجموعة عامة كبيرة من صور الطائرات دون طيار لحقول القمح تغطي العديد من الأصناف وتخطيط الزراعة ومراحل النمو. قارَنوا نظامهم بعدّة كاشفات أجسام رائدة، بما في ذلك أحدث نماذج YOLO والشبكات القائمة على المحولات. حقق Mamba-WheatNet دقة واستدعاء أعلى ودرجات كشف عامة أفضل قليلًا مع استخدام قدرة حسابية متواضعة وتشغيل بسرعة كافية للاستخدام شبه الفوري. كما تحقق الفريق من مدى انتقالية النموذج إلى مجموعة بيانات طائرات دون طيار مختلفة، VisDrone2019، التي تحتوي على أنواع عديدة من الأشياء الصغيرة في مشاهد مدنية مزدحمة. هناك أيضًا، قدّم النموذج أفضل دقة بين الكواشف المدمجة التي تم اختبارها، مما يدل على أن تصميمه يعمم خارج نطاق القمح.

ما يعنيه هذا لمستقبل الزراعة الذكية

تخلص الدراسة إلى أن Mamba-WheatNet يقدم وسيلة عملية ودقيقة لعد رؤوس القمح من الجو، حتى عندما تكون الحقول معقّدة بصريًا. من خلال الجمع الدقيق بين طبقات خفيفة وفعّالة وآلية مسح عالمية، يتتبع النموذج الأنماط الدقيقة دون إرهاق الأجهزة الموجودة عادة على الطائرات دون طيار أو الروبوتات الميدانية. بالنسبة للمزارعين والمربّين والبيطريين الزراعيين، قد يعني هذا تقديرات محصول أسرع وأكثر موثوقية ومراقبة أفضل لصحة المحصول عبر الزمن، ما يساعد على تحريك الزراعة نحو إدارة أكثر اعتمادًا على البيانات ودقة.

الاستشهاد: Deng, G., Li, Z. & Gao, Z. Bidirectional state space modeling for lightweight and robust wheat head detection in complex agricultural environments. Sci Rep 16, 14895 (2026). https://doi.org/10.1038/s41598-026-45083-2

الكلمات المفتاحية: كشف رؤوس القمح, صور الطائرات دون طيار, التعلّم العميق, الزراعة الدقيقة, كشف الأجسام