CTRNet: نموذج تعلم عميق خفيف وفعّال لتحديد دوّامة أوراق الذرة الحقلية

لماذا يهم اكتشاف ورقة مخفية

في حقل ذرة صيفي، يستهدف بعض من أخطر الحشرات مباشرة «قلب» النبات — اللفافة الضيقة للأوراق في القمة والمعروفة بالدوّامة. هذه الآفات صغيرة، والهدف الذي تهاجمه أصغر حتى، وغالبًا ما يضطر المزارعون لرش مساحات واسعة احترازيًا. تقدم هذه الدراسة نظام رؤية حاسوبية جديدًا، CTRNet، مصممًا للعثور بمصداقية على دوّامات الذرة الصغيرة في الحقول الحقيقية الفوضوية بحيث يصبح مراقبة المحاصيل واستخدام المبيدات أكثر دقة وأقل هدرًا.

تحدي رؤية هدف صغير في حقل كبير

للسيطرة على الآفات، من الضروري معرفة موقع الدوّامة بالضبط، لأنها الموقع الرئيسي الذي تضع فيه اليرقات بيضها وتتغذى منه، مما يقلل التمثيل الضوئي والمحصول. لكن في الحقول الحقيقية يصعب رؤية الدوّامات: تبدو صغيرة في الصور، وغالبًا ما تحجبها أوراق متداخلة، وتظهر أمام خلفيات مليئة بالأعشاب والتربة والظلال. الاعتماد السابق كان على تفتيش بصري من البشر أو حيل بسيطة في الصورة تعتمد على اللون والملمس. هذه الأساليب كانت تعمل فقط في مشاهد نظيفة ومتحكم بها وتفشل بسرعة عند تغير الإضاءة أو تداخل الأوراق أو ظهور مشكلات نباتية متعددة في آن واحد.

دخول التعلم العميق إلى الحقل

شهدت السنوات الأخيرة تحسنًا كبيرًا في قدرة الآلات على رصد الأجسام في الصور في الزمن الحقيقي بفضل كاشفات التعلم العميق، وخصوصًا عائلة نماذج YOLO. تم تكييف عدة نسخ للاستخدام مع المحاصيل والأوراق، لكن النماذج القياسية ما زالت تواجه صعوبة مع الأهداف الصغيرة جدًا مثل دوّامات الذرة، ومع التغيرات المستمرة في الضوء وترتيب الأوراق في الخارج. كثيرًا ما تفقد النماذج التفاصيل الدقيقة أثناء تمرير الصورة عبر الشبكة وقد تتشتت بفعل الخلفيات المزدحمة. لذلك بنى المؤلفون على نموذج حديث من YOLO11 وأعادوا تصميم أجزاء رئيسية من الشبكة لتحسين التقاط البُنى الصغيرة، ومشاركة المعلومات عبر مقاييس الصورة، وتجاهل أنماط الخلفية غير الدالة.

ما الذي يميز CTRNet

يحافظ CTRNet المقترح (شبكة التمثيل المعزّز بسياق وملمس) على سرعة وحجم YOLO11 الصغير، لكنه يضيف عدة وحدات متخصصة. تشجع إحدى الوحدات طبقات مختلفة من الشبكة على تبادل المعلومات، بحيث يعزز السياق الواسع والتفاصيل الدقيقة بعضهما البعض حتى عندما تكون الدوّامات مخفية جزئيًا. وحدة أخرى مضبوطة على كل من الأنماط الخشنة البطيئة التغير والتفاصيل الدقيقة ذات التردد العالي، مما يساعد النظام على الحفاظ على الحواف والملمس التي تحدد مركز الدوّامة. ثم تجمع مرحلة دمج مُسيجة الإشارات من عدة مقاييس بينما تخفّض الميزات المكررة أو الصاخبة. وأخيرًا، تعيد آلية الانتباه تشكيل ميزات الصورة الواردة بحيث تُصحّح البقع اللامعة والظلال والخلفيات المعقّدة قبل أن تربك الكاشف.

اختبار النظام

لتدريب واختبار CTRNet، جمع الفريق مجموعة بيانات مكونة من 2816 صورة من مصادر عامة ومسوح ميدانية خاصة بهم، تغطي مراحل النمو من الشتلات إلى النباتات الناضجة. التقطت الصور العرض والارتفاع النموذجيين لكاميرا روبوت زراعي، تحت نطاق واسع من ظروف الإضاءة وتكوينات الحقل. في مقارنات مباشرة مع عدة متغيرات من YOLO وكاشف يعتمد على المحول (Transformer)، حقق CTRNet أعلى دقة في تحديد الدوّامات، رافعًا مقياس الكشف القياسي (mAP@0.5) من 81.6% إلى 84.7% بينما استخدم في الواقع عدد معلمات أقل من الخط الأساس. أظهرت المقارنات البصرية أن CTRNet ركز بشكل أضيق على منطقة الدوّامة الحقيقية ونتج عنه إبرازات خاطئة أقل على الأوراق المحيطة أو التربة، لا سيما في المشاهد منخفضة الإضاءة أو تحت ضوء شمس قاسٍ أو في حالات الانغلاق الشديد.

سريع بما يكفي للروبوتات في الصفوف

بعيدًا عن الدقة، اختبر المؤلفون ما إذا كان CTRNet يمكن تشغيله على حاسوب ذكاء اصطناعي حَدي صغير مماثل لما قد تحمله روبوتات الحقل. على جهاز NVIDIA Jetson Orin Nano، حافظ النموذج على معدلات إطارات في الزمن الحقيقي، لا سيما عند استخدام محرك استدلال محسن والرياضيات ذات الدقة النصفية. هذا يعني أن CTRNet يمكنه بواقعية توجيه أجهزة الرش أو روبوتات المسح التي يجب أن تتفاعل بسرعة أثناء حركتها بين صفوف المحاصيل، بدلًا من الاعتماد على تحليل بطيء خارج الوقت الحقيقي.

ما الذي يعنيه هذا لمكافحة الآفات الأذكى

بعبارات بسيطة، يمنح CTRNet الآلات «عيونًا» أكثر حدة لجزء صغير لكنه مهم من نبات الذرة. من خلال اكتشاف الدوّامات باستمرار على الرغم من الظلال والتوهج وتشابك الأوراق، يتيح مراقبة أكثر استهدافًا لأضرار الآفات وتطبيق مبيدات أكثر دقة. تُظهر هذه الدراسة أن النماذج الخفيفة المصممة بعناية يمكنها ليس فقط مضاهاة الأنظمة الأثقل بل والتفوق عليها في كل من السرعة والدقة، فاتحة الطريق لأدوات حماية محاصيل أكثر ذكاءً وأقل هدرًا، ومن المحتمل لنظم مماثلة لمحاصيل وأمراض أخرى.

الاستشهاد: Tian, X., Zhang, J. & Li, Y. CTRNet: a lightweight and efficient deep learning model for field maize whorl identification. Sci Rep 16, 10570 (2026). https://doi.org/10.1038/s41598-026-45727-3

الكلمات المفتاحية: كشف آفات الذرة, رؤية حاسوبية للمحاصيل, الزراعة الدقيقة, تعلم عميق خفيف الوزن, الروبوتات الحقلية