שילוב EfficientNetV2 עם דיפוזיית filopic מונחית לשיפור זיהוי מחלות בעלי עלה האורז

מדוע עלי אורז בריאים חשובים

האורז מזין יותר ממחצית אוכלוסיית העולם, ורובו גודל באסיה, שם שינויים קטנים בתפוקות עלולים להשפיע על מחירי המזון, הכנסות משפחתיות ואף על ביטחון המזון הלאומי. שלוש מחלות עלים נפוצות — שחפת חיידקית של העלה, smut של העלה (או blast), ונקודה חומה — מחסלות בעדינות מתוצאות האורז ולעתים גורמות להפסדים קשים. חקלאים מזהים בדרך כלל את המחלות האלה בעין, מה שדורש זמן, הכשרה וביקורים רבים בשדה. המחקר הזה בוחן כיצד מערכת חכמה מבוססת תמונה יכולה לקרוא אוטומטית את סימני האזהרה המוקדמים על עלי האורז, לעזור לחקלאים לפעול מוקדם יותר, לבזבז פחות כימיקלים ולהגן על היבולים והסביבה.

איומי העלים העיקריים על האורז

המחברים פותחים בהסבר מדוע המחלות האלה חשובות כל כך. שחפת חיידקית של העלה, שנגרמת על ידי מיקרואורגניזם אוהב־מים, מתפשטת במהירות בשדות לחים ועלולה לצמק את התפוקה עד שליש. smut של העלה, הנגרם על ידי פטרייה המתפשטת במהירות, משחימה עלים, גבעולים וטיפי גרגירים, ובמפגעים חמורים עלול לגרום לכישלון כמעט מוחלט של היבול. הנקודה החומה, עוד מחלת פטרייה, סייעה בעבר להוביל לרעב בבנגל ב־1943 ועדיין משגשגת בתנאי קרקע דלה ותנאי מזג אוויר משתנים. שלוש המחלות יכולות להיראות שונה במעט בין זני האורז, שלבי גדילה, תנאי תאורה ורקעי שדה, מה שמקשה על גילוי אמין בעין או בעזרת תוכניות מחשב פשוטות.

להדריך מחשבים לקרוא רמזים בעלי העלה

מערכות זיהוי תמונה מודרניות שנקראות רשתות עצביות עמוקות כבר טובות בהבחנה בין כלבים לחתולים בתמונות; כאן האתגר הוא להבחין בין עלי אורז בריאים לבין עלים הסובלים מאחת משלוש המחלות הדומות זו לזו. המחברים בונים על רשת קומפקטית אך חזקה הידועה כ‑EfficientNetV2, שתוכננה לחלץ תבניות עשירות מתמונות תוך שמירה על יעילות שמאפשרת להריץ אותה על חומרה צנועה. הם מאמנים את המודל על מאגר ציבורי מובחר של 4,684 תמונות עלי אורז ברזולוציה גבוהה, המכסות את שלוש סוגי המחלות בתנאי תאורה ורקעים שונים. הרשת לומדת לזהות רמזים חזותיים עדינים כמו נקודות, רצועות וכתמים המאפיינים כל מחלה, ואז מפיקה איזו מחלה קיימת יחד עם ציון ביטחון.

ניקוי התמונות לפני קבלת ההחלטה

חידוש מרכזי בעבודה זו הוא מה שמתרחש לפני שהתמונות מגיעות לרשת הראשית. צילומי שדה מבולגנים: עלים חופפים, הרקע עמוס והאור משתנה במהלך היום. כדי להתמודד עם זה, הצוות מציג שלב עיבוד מקדים שהם קוראים לו דיפוזיית filopic מונחית. במונחים יומיומיים, זהו צורת *השטחה* דיגיטלית מתוחכמת שמסירה רעשי רקע תוך שמירה על קצוות חדים ומרקמים עדינים של הפצעים בעלה. במקום לטשטש את כל התמונה, התהליך הזה משפר באופן סלקטיבי גבולות וצורות כתמים שייתכן שיהיו רלוונטיים לאבחון. התמונות המנוקות והמחודדות עוברות אז למודל EfficientNetV2, שמסוגל כעת להתמקד יותר בתבניות מחלה אמיתיות ופחות בבלבול רקעי.

כמה טוב המערכת מתפקדת

כדי להעריך האם הגישה שלהם משפרת באמת את האבחון, המחברים משווים אותה למספר מודלים ידועים לניתוח תמונה, כגון ResNet, DenseNet, MobileNet ושוניהם של EfficientNet, כולם נבדקו באותם תנאים. הם מודדים לא רק עד כמה המערכת נכונה באופן כללי, אלא גם עד כמה האזורים החזויים כנגועים חופפים עם הפצעים האמיתיים בעלים. המודל המשולב של דיפוזיה מונחית ו‑EfficientNetV2 מגיע לדיוק של כ‑98–99%, עם ציונים מצוינים בזיהוי עלים נגועים והימנעות מהתרעות כוזבות. הוא מציג ביצועים חזקים במיוחד לסימפטומים מוקדמים או בעלי קונטרסט נמוך, שבהם שיפורים קטנים יכולים להכריע בין ריסוס בזמן לבין התפרצות שלא נתגלה.

מה המשמעות עבור חקלאים וביטחון מזון

ברמה הפרקטית, המחקר הזה מראה ששילוב של ניקוי תמונה חכם עם רשת זיהוי מכוילת היטב יכול להפוך תמונות רגילות של עלי אורז לאיתותי מחלה מהימנים. מערכת כזו עשויה בסוף להיות משולבת באפליקציית טלפון או ביחידת מצלמה בעלות נמוכה, לסרוק שדות ולסמן בעיות לפני שהן מתפשטות. בעוד שהמודל הנוכחי מזהה רק מחלה אחת לכל עלה ונבדק על מאגר תמונות מובחר יחיד, המחברים טוענים שהרחבת וגיוון אוספי התמונות, האצת שלב הדיפוזיה וטיפול בזיהומים מרובים הם צעדים מציאותיים הבאים. אם אתגרים אלה יפתרו, כלים כאלה יכולים לסייע לחקלאים ליישם טיפולים בדיוק היכן שצריך, להפחית שימוש בכימיקלים ולתמוך במטרות עולמיות לצמצום הרעב תוך חקלאות בת קיימא יותר.

ציטוט: Kumar, V.V., Rajesh, P. & Krishnamoorthy, N. Integrating EfficientNetV2 with guided filopic diffusion for enhanced rice leaf disease recognition. Sci Rep 16, 13369 (2026). https://doi.org/10.1038/s41598-026-41654-5

מילות מפתח: זיהוי מחלות עלי אורז, למידה עמוקה בחקלאות, אבחון יבול מבוסס תמונה, סגמנטציה של מחלות צמחים, חקלאות מדויקת