GroupCeptionNet: نموذج خفيف لتصنيف إنبات بذور الفلفل الحار باستخدام صور ماكرو

لماذا تهم البذور الصغيرة لمحاصيل كبيرة

بالنسبة للمزارعين والبستانيين، كل بذرة صحية تمثل وعداً بمحاصيل ودخل مستقبلي. لكن ليس كل البذور ستنبت، وكان فرز الجيد من السيئ يعتمد طويلاً على فحص يدوي بطيء أو أدوات مخبرية مكلفة. تُظهر هذه الدراسة كيف يمكن لصور مقربة حادة ونموذج ذكاء اصطناعي مدمج أن يحدد بسرعة ما إذا كانت بذور الفلفل الحار مرجّح أن تنبت، باستخدام كاميرا بسيطة وإمكانات حوسبية متواضعة فقط.

رؤية أكثر عبر الاقتراب أكثر

الفلفل الحار محصول ذو قيمة، وجودة البذور تؤثر مباشرة في المحصول والربح. الاختبارات التقليدية، مثل الفحص البصري أو تعويم البذور في الماء أو تلوينها بمواد كيميائية، تتطلب مهارة ووقتاً وقد تكون غير متسقة. الماسحات المتقدمة والكاميرات فرط الطيفية قد تقدم أداءً أفضل، لكنها مكلفة وصعبة النشر في مصانع البذور العادية أو المزارع. اعتمد المؤلفون بدلاً من ذلك على التصوير الماكروي، نفس نمط التصوير المقرب الذي توفره العديد من الهواتف الذكية اليوم. في هذا الإعداد، تملأ كل بذرة جزءاً كبيراً من الصورة، كاشفة عن تفاصيل سطح دقيقة مثل تشققات صغيرة، تجاعيد، أو علامات مبكرة للعفن التي يصعب رؤيتها في الصور العادية.

بناء صورة مفصّلة لبذور الفلفل

أنشأ الفريق مجموعة بيانات متخصصة تضم 3840 صورة ماكرو لنوع تجاري من الفلفل الحار. تم تصوير كل بذرة على خلفية داكنة باستخدام هاتف في وضع الماكرو تحت إضاءة مُتحكَّم بها. ثم خضعت البذور لاختبار إنبات قياسي على مدى 14 يوماً حتى يُوسم كل صورة على أنها «منبتة» أو «غير منبتة». وبما أن البذور التالفة طبيعياً نادرة نسبياً، أضاف الباحثون أمثلة إضافية لغير المنبتة عبر إتلاف بعض البذور بعناية أو تعريضها لفطريات شائعة. كما أزالوا الخلفية من الصور وقصّوا محيط كل بذرة بإحكام حتى يركز نموذج الحاسوب على سطح البذرة بدلاً من الضوضاء المحيطة.

نموذج مدمج مصمَم للأماكن الضيقة

لتحويل هذه الصور إلى قرارات موثوقة، صمم المؤلفون شبكة عصبية خفيفة تسمى GroupCeptionNet. تستعير أفكاراً من هيكلين شائعين في التعلم العميق: تقسيم العمليات الحسابية إلى مجموعات لخفض عدد العمليات الحسابية، والنظر في ميزات الصورة على عدة مقاييس في آن واحد. عند تكديسها على مراحل، يسمح هذا التصميم للنموذج بالانتقال تدريجياً من التفاصيل الدقيقة إلى النظرة الشاملة لكل بذرة مع الحفاظ على عدد صغير إجمالياً من المعاملات. بعد استخراج الميزات، يقوم الشبكة بتجميعها في ملخّص واحد ويُخرج قراراً ثنائياً بسيطاً: مرجّح للإنبات أم لا.

اختبار السرعة والدقة وجودة الصورة

قارن الباحثون GroupCeptionNet مع مجموعة واسعة من نماذج الصور المعروفة، بما في ذلك الشبكات الثقيلة وأنظمة المعالجات التحويلية. على الرغم من امتلاكه نحو 1.4 مليون معامل فقط، بلغ دقته نحو 94.7% وحقق مقياس F1 مماثل تقريباً، متفوقاً أو مساويًا لمنافسين أكبر استخدموا ذاكرة وقوة حوسبة أعلى بكثير. أدى إزالة خلفية الصورة عمومًا إلى تعزيز الأداء عبر جميع النماذج، مما يؤكد أن الصور النظيفة المتركزة على البذرة مفيدة. كما قام الفريق بمحاكاة ما سيحدث لو تم التقاط البذور بدقة أقل، مثل صور الهواتف العادية أو من مشاهد بعيدة. انخفض الأداء بشكل ملحوظ، مما يظهر أن صور الماكرو تقدم دلائل دقيقة حاسمة.

النظر حيث ينظر البشر

للتحقق مما إذا كان النموذج يركز على مناطق ذات معنى، صور المؤلفون الأجزاء من كل صورة للبذرة التي أثرت أكثر على قراره. بالنسبة للبذور السليمة، كان GroupCeptionNet يميل إلى تغطية السطح الأملس بأكمله. بالنسبة للبذور الفاسدة، ركز على بقع التعفن أو العفن أو الشقوق أو التغيرات اللونية. توافقت خرائط الانتباه هذه جيدًا مع المناطق التي وضعها الخبراء البشريون مسبقًا، وكانت أكثر اتساقًا من تلك الناتجة عن كثير من النماذج المنافسة. أكدت اختبارات إضافية على متغيرات الشبكة أن الجمع بين العمليات المجمعة واستخراج الميزات متعددة المقاييس كان مفتاحًا لموازنة الدقة مع انخفاض استهلاك الموارد.

ما يعنيه هذا للمزارعين

بعبارة بسيطة، تُظهر هذه الدراسة أن التصوير المقرب غير المكلف ونموذج ذكاء اصطناعي صغير مصمم بعناية يمكن أن يفرز بذور الفلفل الحار تقريبًا بمستوى أداء أنظمة أثقل، بينما يعمل على أجهزة محدودة الموارد. وهذا يجعل من الواقعي تخيل أجهزة مدمجة توضع بجانب ناقل البذور وتفصل تلقائياً البذور القوية عن الضعيفة في الوقت الفعلي. ومع أن الدراسة تركّز على نوع واحد من الفلفل، يمكن تكييف الأسلوب نفسه لمحاصيل أخرى، مما يساعد على زيادة الغلات وتقليل الهدر دون الحاجة إلى معدات مخبرية مكلفة.

الاستشهاد: Ao, C., Xu, T. GroupCeptionNet: a lightweight model for classifying chili seed germination with macro images. Sci Rep 16, 15619 (2026). https://doi.org/10.1038/s41598-026-46875-2

الكلمات المفتاحية: إنبات بذور الفلفل الحار, التصوير الماكروي, شبكة عصبية خفيفة, جودة البذور, الزراعة الذكية