מסגרת מאוחדת מבוססת EfficientSwinB לזיהוי צמחים מרפא ומיון גרמפלזמה של כורכום הסמרטוט

מדוע זיהוי צמחים חכם יותר חשוב

מעשבי מטבח ועד תרופות מסורתיות — רבים מהצמחים התומכים בבריאותנו נראים דומים להפליא. להבחין ביניהם בעיניים דורש שנות הכשרה, וטעות עלולה להשפיע על איכות התרופות, החלטות חקלאיות ומאמצי שימור המגוון הביולוגי. המחקר הזה מציג מסגרת בינה מלאכותית חדשה שיכולה לזהות צמחים מרפא מתמונות יומיומיות ואפילו להבחין בזני כורכוף קרובים מאוד זה לזה על פי עלים. על ידי הפיכת זיהוי הצמחים למהיר ומהימן יותר, העבודה מציעה כלים מעשיים לרוקחים, חקלאים ושמרנים.

מתמונות עלה לתשובות מהימנות

המחברים מתמקדים באחת הגרסאות הקשות ביותר של זיהוי צמחים: עבודה ישירות מתמונות עלה. תמונות חיצוניות של צמחי מרפא מלאות בעפר, בצללים ובצמחים אחרים, בעוד שמינים רבים חולקים צורות ודפוסי ורידים כמעט זהים. שיטות ראייה ממוחשבת מסורתיות דרשו מערכי נתונים גדולים ומסוננים בקפידה ועדיין נאבקו מול שונות כזו. כאן, החוקרים בונים על משפחה מודרנית של מודלים בשם משני חזון (vision transformers), שמתייחסים לתמונה כאוסף חתיכות קטנות ולומדים כיצד החלקים האלה מתקשרים זה עם זה. המטרה שלהם היא לעצב מסגרת אחת שיכולה להתמודד גם עם זיהוי מינים רחב בטבע וגם עם הבדלים עדינים בין זני יבול במעבדה.

עין צרה וחדה יותר לצמחים מרפא

לזיהוי צמחים מרפא באופן כללי, הצוות מציע מודל שהם קוראים לו EfficientSwinB-SE. הוא מתחיל מה-Swin Transformer, משנה חזון פופולרית שמסתכלת לחלונות חופפים בתמונה כדי ללכוד גם פרטים מקומיים וגם את הסצנה הרחבה. השיפור הראשון הוא שלב גיזום: המודל מסיר אוטומטית את הקשרים הפחות מועילים בשכבת עיבוד התמונה ההתחלתית שלו, מה שמדלל את החישובים הפנימיים ללא שינוי במבנה הכולל. השיפור השני הוא בלוק squeeze-and-excitation, שלומד להעניק משקל גבוה יותר לערוצי חזון מסוימים מאשר לאחרים, בדומה לבוטנאי המתמקד במבנה הורידים או במרקם הקצוות תוך התעלמות מפיקסלים מפריעים ברקע.

התמקדות בהבדלים במשפחת הכורכוף

זיהוי זנים בתוך יבול יחיד קשה אף יותר מהבחנה בין מינים שונים, כי ההבדלים הוויזואליים יכולים להיות עדינים מאוד. כדי להתמודד עם זאת, המחברים מרחיבים את המסגרת שלהם למודל שני בשם OLSF-EfficientSwinB-SE, מותאם לגרמפלזמה של הכורכוף — הקווים הגנטיים המשמשים בחקלאות ובריבוד. בסביבה מעבדתית, הם משפרים תחילה את תמונות העלים בתהליך שנקרא "תכונת מבנה העלה האופטימלית" (Optimal Leaf Structure Feature) המדגישה כיווני ורידים ומרקם עדין. התמונות המשופרות מוזנות לאחר מכן לאותו שלד טרנספורמר מגוזם ומתמקד. השילוב הזה עוזר ל-AI להתמקד ברמזים מבניים זעירים אך בעלי משמעות ביולוגית שמבדילים בין קווי כורכוף, ותומך בריבוד מדויק יותר ובניהול משאבים גנטיים.

בחינת המסגרת החדשה

החוקרים מעריכים את המודלים שלהם על שלושה מאגרי נתונים ציבוריים: צמחי מרפא הודיים שצולמו בגנים, צמחי מרפא אינדונזיים שאספו ממקורות מקוונים מגוונים ומאגר כורכוף הכולל עשרות זנים שצולמו בתנאי מעבדה מבוקרים. בכל המקרים, EfficientSwinB-SE עולה על מודלים מוכרים בלמידה עמוקה, כולל רשתות קונבולוציה קלאסיות ומשניהם אחרים. הוא משיג דיוק של כ-99.75% במאגר ההודי וכ-97.70% במאגר האינדונזי, גם בתנאי תאורה משתנה ורקעים עמוסים. למשימת הכורכוף הדקה, גרסת OLSF-EfficientSwinB-SE משיגה כ-91.63% דיוק, ועוקפת גישה קודמת מבוססת טרנספורמר שתוכננה במיוחד למגדר זה.

מה זה אומר לשימוש מעשי בצמחים

במונחים יומיומיים, המחקר מראה שניתן לבנות "עין" בינה מלאכותית יחידה ויעילה שיכולה גם לזהות מגוון רחב של צמחי מרפא בשטח וגם למיין עלים כמעט זהים במעבדה. על ידי קיצוץ חישובים מיותרים ולימוד המודל להדגיש את רמזי הוויזואליים המידעיים ביותר, המחברים יוצרים כלים מדויקים, עמידים ומעשיים דיים לשימוש בקרבת זמן אמת. מערכות כאלה יכולות לשמש אפליקציות סלולריות לזיהוי עשבים, קטלוג אוטומטי של משאבים גנטיים ופלטפורמות חקלאיות חכמות שעוקבות אחרי יבולים לפי עליהם. ככל שהרעיון יורחב למגוון מינים וסביבות, הוא עשוי לסייע לגשר בין ידע צמחי מסורתי וחקלאות מודרנית מונחית נתונים.

ציטוט: Khuat, P.T., Thien Van, H. A unified EfficientSwinB-based framework for medicinal plant recognition and safflower germplasm classification. Sci Rep 16, 11791 (2026). https://doi.org/10.1038/s41598-026-42449-4

מילות מפתח: זיהוי צמחי מרפא, למידה עמוקה, משנה חזון (vision transformer), גרמפלזמה של כורכוף, זיהוי צמחים