نهج جديد لاكتشاف الأمراض والآفات في نظام إنتاج البطاطس يعتمد على التعلم العميق

لماذا صحة البطاطس مهمة للجميع

تعد البطاطس من الأغذية الأساسية عالمياً، غنية بالطاقة والمغذيات ومركزية بالنسبة لكل من المزارع الصغيرة وسلاسل الغذاء الكبيرة. ومع ذلك، تتعرض أوراقها بسهولة للأمراض والحشرات الجائعة، التي يمكن أن تقلص المحاصيل بهدوء قبل أن تُكتشف بالعين. تستكشف هذه الدراسة كيف يمكن للكاميرات الذكية الموجهة بالذكاء الاصطناعي أن تراقب حقول البطاطس في الوقت الحقيقي، وتُشير إلى النباتات المريضة مبكراً، وتساعد المزارعين على حماية الغلة باستخدام رش أقل هدرًا.

رصد المشاكل على الأوراق في العالم الحقيقي

في الحقول الحقيقية، يكون تمييز ما يصيب نبات البطاطس أصعب مما يبدو. قد تبدو الأمراض المختلفة متشابهة في البداية، وغالبًا ما تختبئ الحشرات الصغيرة تحت أوراق متداخلة أو في الظل العميق. يحتاج المزارعون عادةً إلى مشورة خبراء، وهو ما يكلف وقتًا ومالًا، وحتى العيون المدربة قد تفوت العلامات المبكرة. سعى الباحثون لبناء نظام آلي ينظر إلى صور ملونة عادية لنباتات البطاطس ويحدد كلًا من البقع المرضية وآفات الحشرات أثناء ظهورها في الحقل، بدلًا من صور المختبر المرتبة لأوراق مفردة.

بناء صورة غنية لظروف الحقل

لجعل هذا يعمل، احتاج الفريق أولاً إلى صورة واقعية لكيفية ظهور مشاكل البطاطس في ظروف المزرعة. جمعوا 2,688 صورة من مزرعتين بحثيتين في باكستان خلال موسمي الزراعة الشتوي والصيفي. وضعت الكاميرا مباشرة فوق النباتات بحيث تُظهر كل صورة الأوراق مع التربة والنباتات المجاورة وفوضى مثل القش أو الأنابيب. بعد استبعاد الصور الخالية من الأعراض، احتفظوا بـ 2,403 صورة تُظهر أربعة تهديدات رئيسية: مرض العفن المتأخر، مرض بقع الأوراق، أعراض فيروس لف الورقة، وخنفساء البطاطس الكولورادو في مراحل اليرقة والبالغ. رسم خبراء النبات بعناية صناديقًا حول كل منطقة مريضة وكل خنفساء حتى يتعلم الحاسوب من هذه الأمثلة.

تدريب الحواسيب على العثور على البقع والخنافس

درّب الفريق عدة برامج حديثة لاكتشاف الأجسام للتعرف على هذه المشكلات. هذه البرامج، المعروفة باسم YOLO وFaster R-CNN، لا تجيب فقط بـ «مريضة أم سليمة» بل ترسم أيضًا صناديق حول كل رقعة مرضية أو كل حشرة. قبل التدريب، نُظفت الصور، وأُعيد تحجيمها، وجرى قلبها وتدويرها وتفتيحها عشوائيًا لمحاكاة زوايا رؤية وإضاءة مختلفة. الموديل الرئيسي، نسخة تُسمى YOLOv8-medium، يمسح كل صورة بقياس 640×640 بكسل في تمريرة واحدة وباستخدام بنيته متعددة الطبقات يتعلم أنماط اللون والملمس التي تميز نسيج الورقة السليم عن البقع المرضية وأجسام الخنافس، حتى عندما تكون صغيرة أو مخفية جزئيًا.

كيف أداء الكشافة الرقمية

عبر آلاف الصور الاختبارية التي احتُفظت منفصلة عن التدريب، اكتشف YOLOv8-medium رقع الأمراض والخنافس بدقة متوسطة تقريبية بلغت 98 بالمئة. كما أظهر سلوكًا مستقرًا عندما أعيد خلط البيانات في فحص تقاطعي بخمس طيات، مما يشير إلى أن النتائج ليست صدفة نتيجة تقسيم واحد محظوظ. كانت إصدارات أخرى من YOLO والنموذج الأقدم Faster R-CNN أقل دقة أو أبطأ. وجدت النسخة المتوسطة التوازن الأفضل بين السرعة والصحة، إذ عالجت الصورة في غضون بضعة ميلي ثانية فقط على بطاقة رسومات حديثة. نجح النظام بشكل خاص مع الأمراض الشائعة مثل العفن وبقع الأوراق، بينما ظلت الخنافس الصغيرة جدًا أو المظللة بشدة الأصعب في الاكتشاف.

ما الذي يعنيه هذا للمزارعين

بالنسبة لغير المتخصصين، الرسالة الأساسية بسيطة: يمكن للكاميرا المرتبطة ببرنامج حاسوبي مدرَّب أن تعمل الآن ككشّاف ميداني لا يكل، يراقب أوراق البطاطس للأمراض الرئيسية وآفة رئيسية بدرجة موثوقية عالية. تُظهر الدراسة أن مثل هذا النظام يمكن أن يعمل بسرعة كافية للاستخدام في الوقت الحقيقي، على سبيل المثال على جرار أو طائرة بدون طيار أو جهاز محمول، ويمكنه إعطاء مواقع دقيقة للبقع المشكلة. يحذر المؤلفون من أنهم اختبروا مزرعتين في منطقة واحدة ولم يشملوا الإجهادات غير المرضية مثل الجفاف، لذا هناك حاجة إلى مزيد من العمل قبل أن يُعتمد الأداة في كل مكان. ومع ذلك، تشير نتائجهم إلى أن أنظمة الرؤية الذكية قد تساعد يومًا ما المزارعين على تطبيق العلاجات فقط حيث ومتى تكون مطلوبة، مما يحمي المحاصيل والبيئة معًا.

الاستشهاد: Abbas, A., Rehman, S.U., Mahmood, K. et al. A novel approach for disease and pests detection in potato production system based on deep learning. Sci Rep 16, 15672 (2026). https://doi.org/10.1038/s41598-026-45575-1

الكلمات المفتاحية: أمراض البطاطس, آفات المحاصيل, التعلم العميق, كشف الأجسام, الزراعة الدقيقة