Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

ממשק U-Net קל משקל ואופטימלי ומסגרת YOLACT לגילוי חומרת מחלות מרובות בעלים של פרי גרגר

· חזרה לאינדקס

מדוע בדיקות עלים חכמות חשובות

חלק ממגדלי התפוחים והאגסים יודעים שכתמים ופגמים בעלים יכולים להתפשט במהירות ולפגוע בהיקף הקציר. הליכה בשטחים ושיפוט המחלה בעין היא תהליך איטי ולעתים לא ודאי, במיוחד כאשר יותר מזיהום אחד תוקף את אותו העלה. במחקר זה מוצגת גישה אוטומטית מבוססת מצלמה שיכולה לזהות מספר מחלות על עלה פרי גרגר יחיד ולהעריך כמה כל זיהום חמור, ובכך להציע דרך מעשית לבדיקות בריאות יבול מהירות ואמינות יותר.

Figure 1. מערכת אוטומטית בודקת עלי תפוח ואגס בתמונות כדי להעריך עד כמה התפשטו מחלות שונות.
Figure 1. מערכת אוטומטית בודקת עלי תפוח ואגס בתמונות כדי להעריך עד כמה התפשטו מחלות שונות.

לראות יותר ממה שהעין האנושית רואה

החוקרים מתמקדים בפרי גרגר כגון תפוחים ואגסים, הרגישים מאוד למחלות עלים שמותירות צלקות על איכות הפרי ומפחיתות את התשואה. בדיקות מסורתיות מסתמכות על מומחים שמדרגים חזותית את גודל ותיאור הסימפטומים, תהליך גוזל זמן ועלול להשתנות מאדם לאדם. כרמי פרי אמיתיים מוסיפים רקע מבולגן, תאורה משתנה ועלים חופפים או מכופפים. הצוות ביקש לבנות כלי שידע להתמודד עם רעש חזותי זה, לעבוד על תמונות צבע רגילות ולזהות מספר זיהומים חופפים על אותו עלה תוך דירוג קידום כל מחלה.

מבט דו-שלבי על עלים חולים

כדי להתמודד עם זה, המחקר משתמש בצינור ראייה דיגיטלי כפול. בשלב הראשון, גרסה מצומצמת של רשת נפוצה בתחום הדימות הרפואי, בשם Lite U Net, מאומנת להפריד את העלה מהסביבה ולהצביע על אזורי הנגע הכלליים. שלב זה מסיר ענפים, שמים ואדמה, ומבטיח שהניתוח הבא יתמקד רק ברקמת הצמח. לאחר מכן, גרסה מקוצרת של רשת נוספת, Lite YOLACT, מתמקדת ביתר פירוט כדי לזהות כל טלא נגוע נבדל כאובייקט בפני עצמו. יחד שתי השיטות מאפשרות למערכת להבין כי עלה יחיד עשוי, למשל, לשאת גם פצעיית קליפה וגם חלודה, כל אחת עם גודל והיקף משלה.

Figure 2. המודל מפריד טלאים נגועים בעלים, מודד את שטחם ומשלב אותם לציון חומרה מרובה-רמות כולל.
Figure 2. המודל מפריד טלאים נגועים בעלים, מודד את שטחם ומשלב אותם לציון חומרה מרובה-רמות כולל.

להפוך כתמים לציונים פשוטים

לאחר שסומן כל אזור נגוע, השיטה מודדת כמה משטח העלה מכוסה על ידי כל זיהום. המחברים פיתחו סולם חומרה חדש בעל תשע רמות שמתרגם את האחוזים האלה לשלבים ברורים להבנה, מטיפות זעירות מוקדמות ועד נזק כמעט מלא. הסולם בנוי לטפל בשתי מחלות בו-זמנית, ומתאר האם שתיהן קלות, שתיהן מתקדמות, או שאחת דומיננטית על השנייה. כדי לחזק את אמון המשתמשים, החוקרים הוסיפו טכניקה להמחשה בשם Grad CAM שמייצרת מפות חום, ומציגה אילו חלקי העלה המודל הסתמך עליהם בקבלת ההחלטה על חומרת הזיהומים.

בדיקות במטעים ומעבדות דיגיטליות

הצוות מאמן ובודק את הגישה שלהם על שתי אוספי תמונות גדולים וציבוריים של עלי תפוח ואגס. מערכי נתונים אלה כוללים מספר מחלות נפוצות שצולמו בתנאי שדה אמיתיים ותויגו על ידי מומחי בריאות צמחים. לאחר עיבוד מקדים קפדני, איזון נתונים ואימון על חומרת גרפיקה מודרנית, המערכת המשולבת מגיעה לכ-95 אחוז דיוק בדירוג חומרת מחלות מרובות. היא גם פועלת ביעילות: באמצעות עיצובים קומפקטיים של רשתות ודרכים חכמות לשיתוף חישובים, המודל דורש חישובים וזיכרון פחותים מאשר מערכות למידה עמוקה סטנדרטיות רבות, מה שהופך אותו מתאים לטלפונים או למכשירי edge המשמשים ישירות בשטח.

מה זה אומר עבור המגדלים

במונחים יום-יומיים, עבודה זו מראה שמצלמה זולה בתוספת מודל בינה מלאכותית רזה יכולה לזהות ולדרג באופן אמין מספר מחלות עלים בו-זמנית על תפוחים ואגסים. במקום הערכות גסות בעין, המגדלים יכולים לקבל הערכות מספריות עקביות לגבי כמה מכל עלה נגוע וכמה כל מחלה התקדמה. למרות שהשיטה עדיין זקוקה לבדיקות נרחבות יותר על גידולים ותנאים נוספים, היא מצביעה לכיוון סיירים דיגיטליים מעשיים שיעזרו לחקלאים לפעול מוקדם יותר, למקד טיפולים ביתר דיוק ולהפחית בזבוז ושימוש בכימיקלים במטעים.

ציטוט: Qasim, M., Adnan, S.M. & Safi, Q.G.K. Optimized Lightweight U-Net and YOLACT framework for multi-disease severity detection in pome fruit leaves. Sci Rep 16, 15132 (2026). https://doi.org/10.1038/s41598-026-45947-7

מילות מפתח: זיהוי מחלות צמחים, מחלות עלי תפוח, מחלות עלי אגס, למידה עמוקה בחקלאות, דרוג חומרת מחלה