تُعد زراعة القطن جزءًا حيويًا من الزراعة في الولايات المتحدة، حيث تُساهم بشكل كبير في الاقتصاد. ففي عام 2021 وحده، حصد المزارعون أكثر من 10 ملايين فدان من القطن، وأنتجوا أكثر من 18 مليون بالة بقيمة تقارب 7.5 مليار. على الرغم من أهميتها الاقتصادية، إلا أن زراعة القطن تواجه تحديًا كبيرًا: الأعشاب الضارة.
تُنافس الأعشاب الضارة، وهي نباتات غير مرغوب فيها تنمو بجانب المحاصيل، نباتات القطن على الموارد الأساسية مثل الماء والمغذيات وضوء الشمس. وإذا تُركت دون مكافحة، فقد تُقلل من غلة المحاصيل بنسبة تصل إلى 50%.إلى جانب الضغط المالي، يثير الاستخدام المفرط لمبيدات الأعشاب مخاوف بيئية، حيث يلوث التربة ومصادر المياه.
ولمواجهة هذه التحديات، يتجه الباحثون إلى تقنيات الزراعة الدقيقة، وهي نهج زراعي يستخدم أدوات تعتمد على البيانات لتحسين إدارة الحقول. ومن الحلول الرائدة نموذج YOLOv8، وهو أداة ذكاء اصطناعي متطورة للكشف عن الأعشاب الضارة في الوقت الفعلي.
تزايد مقاومة مبيدات الأعشاب وتأثيرها
أدى الانتشار الواسع لبذور القطن المقاومة لمبيدات الأعشاب منذ عام 1996 إلى تغيير جذري في الممارسات الزراعية. تُعدّل محاصيل القطن المقاومة لمبيدات الأعشاب وراثيًا لتتحمل أنواعًا محددة من مبيدات الأعشاب، مما يسمح للمزارعين برش مواد كيميائية مثل الغليفوسات مباشرة على المحاصيل دون إلحاق الضرر بها.
بحلول عام 2020، استخدمت 961 ألف طن من مساحة زراعة القطن في الولايات المتحدة أصنافًا مقاومة للمبيدات، مما أدى إلى حلقة مفرغة من الاعتماد على مبيدات الأعشاب. في البداية، كان هذا النهج فعالًا، ولكن بمرور الوقت، طورت الأعشاب مقاومة من خلال الانتقاء الطبيعي.
اليوم، تغزو الأعشاب المقاومة للمبيدات 70% من المزارع الأمريكية، مما يجبر المزارعين على استخدام كميات من المواد الكيميائية تفوق ما كان عليه الحال قبل عقد من الزمن. فعلى سبيل المثال، يمكن لنبات القطيفة البرية، وهو عشب سريع النمو وسريع التكاثر، أن يقلل من إنتاجية القطن بنسبة 79% إذا لم تتم مكافحته مبكراً.
العبء المالي هائل: فمكافحة الأعشاب المقاومة تُكلّف المزارعين مليارات الدولارات سنويًا، بينما تُلوّث مياه الصرف الناتجة عن مبيدات الأعشاب 411 تريليون طن من مصادر المياه العذبة القريبة من الأراضي الزراعية. تُبرز هذه التحديات الحاجة المُلحة إلى حلول مبتكرة تُقلّل الاعتماد على المواد الكيميائية مع الحفاظ على إنتاجية المحاصيل.
الرؤية الآلية: بديل مستدام لإدارة الأعشاب الضارة
استجابةً لأزمة مقاومة مبيدات الأعشاب، يعمل الباحثون على تطوير أنظمة رؤية آلية - وهي تقنيات تجمع بين الكاميرات وأجهزة الاستشعار وخوارزميات الذكاء الاصطناعي - للكشف عن الأعشاب الضارة وتصنيفها بدقة. تحاكي الرؤية الآلية الإدراك البصري البشري، ولكن بسرعة ودقة أكبر، مما يُمكّن من اتخاذ القرارات آلياً.
تُمكّن هذه الأنظمة من التدخلات الموجهة، مثل آلات إزالة الأعشاب الآلية التي تزيل النباتات ميكانيكيًا أو الرشاشات الذكية التي ترش مبيدات الأعشاب فقط عند الحاجة. وقد عانت الإصدارات الأولى من هذه التقنيات من مشاكل في الدقة، حيث كانت غالبًا ما تُخطئ في تحديد المحاصيل على أنها أعشاب ضارة أو تفشل في اكتشاف النباتات الصغيرة.
مع ذلك، فقد أدت التطورات في مجال التعلم العميق - وهو فرع من فروع التعلم الآلي يستخدم الشبكات العصبية متعددة الطبقات لتحليل البيانات - إلى تحسين الأداء بشكل كبير. وتتفوق الشبكات العصبية الالتفافية (CNNs)، وهي نوع من نماذج التعلم العميق المُحسَّنة لتحليل الصور، في التعرف على الأنماط في البيانات المرئية.
أصبحت عائلة نماذج "You Only Look Once" (YOLO)، المعروفة بسرعتها ودقتها في اكتشاف الأجسام، شائعةً بشكل خاص في الزراعة. ويحقق أحدث إصدار منها، YOLOv8، دقةً تتجاوز 90% في اكتشاف الأعشاب الضارة، مما يجعله نقلةً نوعيةً في مجال الزراعة الدقيقة.
مجموعة بيانات CottonWeedDet12: أساس النجاح
يتطلب تدريب نماذج الذكاء الاصطناعي الموثوقة بيانات عالية الجودة، وتُعدّ مجموعة بيانات CottonWeedDet12 مصدرًا بالغ الأهمية لأبحاث الكشف عن الأعشاب الضارة. مجموعة البيانات هي مجموعة منظمة من البيانات تُستخدم لتدريب واختبار نماذج التعلّم الآلي.
تتضمن هذه المجموعة من البيانات، التي جُمعت من مزارع بحثية في جامعة ولاية ميسيسيبي، 5648 صورة عالية الدقة لحقول القطن، مُعَلَّمة بـ 9370 مربعًا محيطًا تُحدد 12 نوعًا من الأعشاب الضارة الشائعة. المربعات المحيطة عبارة عن أطر مستطيلة تُرسَم حول العناصر محل الاهتمام (مثل الأعشاب الضارة) في الصور، مما يوفر مواقع دقيقة لتدريب نماذج الذكاء الاصطناعي. تشمل الميزات الرئيسية ما يلي:
- 12 فئة من القنب: نبات الحشيشة المائية (الأكثر شيوعاً)، زهرة الصباح، القطيفة بالمر، نبات الحليب المرقط، وغيرها.
- 9370 تعليقًا توضيحيًا للمربعات المحيطةتمت تسميتها بخبرة باستخدام برنامج VGG Image Annotator (VIA).
- ظروف متنوعة: صور تم التقاطها تحت إضاءة متفاوتة (مشمسة، غائمة)، ومراحل نمو مختلفة، وخلفيات تربة متنوعة
تتنوع الأعشاب الضارة من نبات الحشيشة المائية (الأكثر شيوعاً) إلى زهرة الصباح، والقطيفة البالمرية، والزبدة المرقطة. ولضمان أن تعكس مجموعة البيانات الظروف الواقعية، تم التقاط الصور تحت إضاءة متفاوتة (مشمسة، غائمة) وفي مراحل نمو مختلفة.
فعلى سبيل المثال، تظهر بعض الأعشاب الضارة كشتلات صغيرة، بينما تنمو أنواع أخرى نمواً كاملاً. بالإضافة إلى ذلك، تتضمن مجموعة البيانات خلفيات تربة متنوعة وترتيبات نباتية مختلفة، مما يحاكي تعقيد حقول القطن الحقيقية.
قبل تدريب نموذج YOLOv8، قام الباحثون بمعالجة البيانات مسبقًا لتعزيز متانتها. تتضمن المعالجة المسبقة تعديل البيانات الأولية لتحسين ملاءمتها لتدريب الذكاء الاصطناعي. وقد ساعدت تقنيات مثل تقنية الفسيفساء - التي تجمع أربع صور في صورة واحدة - في محاكاة تجمعات الأعشاب الكثيفة.
وقد ساهمت طرق أخرى، مثل التحجيم العشوائي والقلب، في إعداد النموذج للتعامل مع الاختلافات في حجم النبات واتجاهه.
- القياس (±50%)، والقص (±30 درجة)، والقلب لمحاكاة التباين في العالم الحقيقي.
كشفت تقنية التصور المسماة t-SNE (t-Distributed Stochastic Neighbor Embedding) - وهي خوارزمية تعلم آلي تقلل من أبعاد البيانات لإنشاء مجموعات مرئية - عن مجموعات متميزة لكل فئة من فئات الأعشاب الضارة، مما يؤكد ملاءمة مجموعة البيانات لتدريب النماذج على التعرف على الاختلافات الدقيقة بين الأنواع.
YOLOv8: الابتكارات التقنية والتطورات المعمارية
يعتمد YOLOv8 على نجاح نماذج YOLO السابقة مع ترقيات معمارية مصممة خصيصًا للتطبيقات الزراعية. ويكمن جوهره في CSPDarknet53، وهو عبارة عن بنية أساسية للشبكة العصبية مصممة لاستخراج السمات الهرمية من الصور. وتُعد بنية الشبكة العصبية الأساسية المكون الرئيسي للنموذج المسؤول عن معالجة بيانات الإدخال واستخراج السمات ذات الصلة.
يستخدم CSPDarknet53 اتصالات Cross Stage Partial (CSP) - وهو تصميم يقسم خرائط ميزات الشبكة إلى جزأين، ويعالجها بشكل منفصل، ثم يدمجها لاحقًا - لتحسين تدفق التدرج أثناء التدريب.
يشير تدفق التدرج إلى مدى فعالية الشبكة العصبية في تحديث معاييرها لتقليل الأخطاء، ويضمن تحسينه تعلم النموذج بكفاءة. كما يدمج التصميم شبكة هرمية للميزات (FPN) وشبكة تجميع المسارات (PAN)، اللتين تعملان معًا لاكتشاف الأعشاب الضارة على مستويات متعددة.
- FPN: يكتشف الأجسام متعددة الأحجام (مثل الشتلات الصغيرة مقابل الأعشاب الناضجة).
- مِقلاة: يعزز دقة تحديد الموقع من خلال دمج الميزات عبر طبقات الشبكة.
تُعدّ شبكة FPN بنيةً تجمع بين خصائص عالية الدقة (لاكتشاف الأجسام الصغيرة) وخصائص غنية بالدلالات (لتمييز الأجسام الكبيرة)، بينما تُحسّن شبكة PAN دقة تحديد الموقع من خلال دمج الخصائص عبر طبقات الشبكة. على سبيل المثال، تُحدّد شبكة FPN الشتلات الصغيرة، بينما تُحسّن شبكة PAN تحديد موقع الأعشاب الضارة الناضجة.
بخلاف النماذج القديمة التي تعتمد على مربعات التثبيت المحددة مسبقًا - وهي أشكال مربعات محيطة محددة مسبقًا تُستخدم للتنبؤ بمواقع الكائنات - يستخدم YOLOv8 رؤوس كشف لا تعتمد على مربعات التثبيت. تتنبأ هذه الرؤوس بمراكز الكائنات مباشرةً، مما يلغي العمليات الحسابية المعقدة ويقلل من النتائج الإيجابية الخاطئة.
لا تعمل هذه الابتكارات على تعزيز الدقة فحسب، بل تعمل أيضًا على تسريع المعالجة، حيث يقوم YOLOv8 بتحليل الصورة في 6.3 مللي ثانية فقط على وحدة معالجة الرسومات NVIDIA T4 - وهي وحدة معالجة رسومات عالية الأداء تم تحسينها لمهام الذكاء الاصطناعي.
تجمع دالة الخسارة في النموذج - وهي صيغة رياضية تقيس مدى تطابق تنبؤات النموذج مع البيانات الفعلية - بين خسارة CloU (التقاطع الكامل على الاتحاد) لدقة تحديد المربعات المحيطة، وخسارة الإنتروبيا المتقاطعة للتصنيف، وخسارة التوزيع البؤري لمعالجة البيانات غير المتوازنة. تعمل خسارة CloU على تحسين محاذاة المربعات المحيطة من خلال مراعاة مساحة التداخل، والمسافة المركزية، ونسبة العرض إلى الارتفاع بين المربعات المتوقعة والفعلية.
رياضياً, ، إجمالي الخسارة هو: L(θ)=7.5⋅Lbox+0.5⋅Lcls+0.375⋅Ldfl+Regularization
يقوم فقدان الإنتروبيا المتقاطعة بتقييم دقة التصنيف من خلال مقارنة الاحتمالات المتوقعة بالتصنيفات الحقيقية، بينما يعالج فقدان التوزيع البؤري عدم توازن الفئات من خلال معاقبة النموذج بشكل أكبر على تصنيف الأعشاب النادرة بشكل خاطئ.
بالمقارنة مع الإصدارات السابقة من YOLO، يتفوق الإصدار الثامن (YOLOv8) عليها جميعًا. فعلى سبيل المثال، حقق الإصدار الرابع (YOLOv4) متوسط دقة (mAP) قدره 95.22% عند تداخل مربعات التحديد بمقدار 50%، بينما وصل الإصدار الثامن (YOLOv8) إلى 96.10%. يُعدّ متوسط الدقة (mAP) مقياسًا يحسب متوسط درجات الدقة عبر جميع الفئات، حيث تشير القيم الأعلى إلى دقة كشف أفضل.
وبالمثل، بلغ متوسط دقة نموذج YOLOv8 عبر عتبات تداخل متعددة (من 0.5 إلى 0.95) 93.20%، متجاوزًا بذلك دقة نموذج YOLOv4 البالغة 89.48%. هذه التحسينات تجعل YOLOv8 النموذج الأكثر دقة وكفاءة للكشف عن الأعشاب الضارة في حقول القطن.
تدريب النموذج: المنهجية والنتائج
لتدريب نموذج YOLOv8، استخدم الباحثون تقنية التعلم بالنقل، وهي تقنية يتم فيها ضبط نموذج مُدرَّب مسبقًا (تم تدريبه على مجموعة بيانات كبيرة) على بيانات جديدة. يقلل التعلم بالنقل من وقت التدريب ويحسن الدقة من خلال الاستفادة من المعرفة المكتسبة من المهام السابقة.
قام النموذج بمعالجة الصور على دفعات من 32 صورة، باستخدام مُحسِّن AdamW - وهو نوع من خوارزمية تحسين Adam التي تتضمن انخفاض الوزن لمنع الإفراط في التخصيص - بمعدل تعلم قدره 0.001.
على مدار أكثر من 100 دورة تدريبية، تعلم النموذج التمييز بين الأعشاب الضارة ونباتات القطن بدقة ملحوظة. وقد ضمنت استراتيجيات زيادة البيانات، مثل قلب الصور عشوائياً وتعديل سطوعها، قدرة النموذج على التعامل مع التباين الواقعي.
كانت النتائج مبهرة. ففي غضون أول 20 دورة تدريبية، حقق النموذج دقة تزيد عن 90%، مما يدل على سرعة التعلم. وبحلول نهاية التدريب، تمكن YOLOv8 من رصد الأعشاب الضارة الكبيرة بدقة 94.40%.
مع ذلك، أثبتت الأعشاب الصغيرة أنها أكثر صعوبة، حيث انخفضت الدقة إلى 11.90%. ويعود هذا التباين إلى عدم توازن مجموعة البيانات: فقد كانت الأعشاب الكبيرة ممثلة بشكل مفرط، بينما كانت الشتلات الصغيرة نادرة. وعلى الرغم من هذا القيد، فإن الأداء العام لـ YOLOv8 يمثل قفزة نوعية إلى الأمام.
التحديات والتوجهات المستقبلية
رغم أن تقنية YOLOv8 تُظهر إمكانات هائلة، إلا أن التحديات لا تزال قائمة. يُعدّ اكتشاف الأعشاب الضارة الصغيرة أمرًا بالغ الأهمية للتدخل المبكر، حيث يسهل التعامل مع الشتلات.
ولمعالجة هذا الأمر، يقترح الباحثون استخدام الشبكات التوليدية التنافسية (GANs) - وهي فئة من نماذج الذكاء الاصطناعي حيث تتنافس شبكتان عصبيتان (مولد ومميز) لإنشاء بيانات اصطناعية واقعية - لتوليد صور اصطناعية للأعشاب الصغيرة، مما يوازن مجموعة البيانات.
يتمثل حل آخر في دمج التصوير متعدد الأطياف، الذي يلتقط بيانات تتجاوز نطاق الضوء المرئي (مثل الأشعة تحت الحمراء القريبة) لتعزيز التباين بين المحاصيل والأعشاب الضارة. تكشف مستشعرات الأشعة تحت الحمراء القريبة عن محتوى الكلوروفيل، مما يجعل النباتات تبدو أكثر سطوعًا وأسهل تمييزًا عن التربة.
قد تُحسّن الإصدارات المستقبلية من YOLO، مثل YOLOv9 وYOLOv10، دقة الكشف بشكلٍ أكبر. من المتوقع أن تتضمن هذه النماذج طبقات المحولات - وهي نوع من بنية الشبكات العصبية التي تعالج البيانات بالتوازي، ما يُتيح لها التقاط العلاقات بعيدة المدى بكفاءة أعلى من الشبكات العصبية الالتفافية التقليدية - بالإضافة إلى أهرامات الميزات الديناميكية التي تتكيف مع أحجام الكائنات. قد تُسهم هذه التطورات في الكشف عن الأعشاب الضارة الصغيرة بموثوقية أكبر.
بالنسبة للمزارعين، تتمثل الخطوة التالية في الاختبار الميداني. إذ يمكن لآلات إزالة الأعشاب ذاتية التشغيل، المزودة بتقنية YOLOv8 وكاميرات، أن تتنقل بين صفوف القطن، وتزيل الأعشاب الضارة ميكانيكيًا. وبالمثل، قد تستهدف الطائرات المسيّرة المزودة برشاشات تعمل بالذكاء الاصطناعي مبيدات الأعشاب بدقة، مما يقلل من استخدام المواد الكيميائية بنسبة تصل إلى 90%.
لا تقتصر هذه التقنيات على خفض التكاليف فحسب، بل تحمي أيضًا النظم البيئية، بما يتماشى مع أهداف الزراعة المستدامة - وهي فلسفة زراعية تعطي الأولوية للصحة البيئية والربحية الاقتصادية والعدالة الاجتماعية.
الخاتمة
أجبر ظهور الأعشاب المقاومة للمبيدات الحشرية القطاع الزراعي على الابتكار، ويمثل نظام YOLOv8 طفرة نوعية في إدارة الأعشاب الضارة بدقة. وبفضل دقته العالية التي تصل إلى 96.10% في الكشف الفوري، يمكّن هذا النظام المزارعين من تقليل استخدام المبيدات الحشرية، وخفض التكاليف، وحماية البيئة.
رغم استمرار بعض التحديات، مثل رصد الأعشاب الضارة الصغيرة، إلا أن التطورات المستمرة في مجال الذكاء الاصطناعي وتقنيات الاستشعار تُقدم حلولاً فعّالة. ومع تطور هذه الأدوات، يُتوقع أن تُحوّل زراعة القطن إلى ممارسة أكثر استدامة وكفاءة. وفي السنوات القادمة، قد يُحدث دمج نظام YOLOv8 في الأنظمة ذاتية التشغيل ثورة في الزراعة.
قد يعتمد المزارعون على الروبوتات الذكية والطائرات المسيّرة لمكافحة الأعشاب الضارة، مما يوفر لهم الوقت والموارد لمهام أخرى. هذا التحول نحو الزراعة القائمة على البيانات لا يحمي غلة المحاصيل فحسب، بل يضمن أيضًا كوكبًا أكثر صحة للأجيال القادمة. من خلال تبني تقنيات مثل YOLOv8، يمكن للقطاع الزراعي التغلب على تحديات مقاومة مبيدات الأعشاب، وتمهيد الطريق لمستقبل أكثر اخضرارًا وإنتاجية.
المرجعخان، أ. ت.، جنسن، س. م.، وخان، أ. ر. (2025). تطوير الزراعة الدقيقة: تحليل مقارن لـ YOLOv8 للكشف عن الأعشاب الضارة متعددة الفئات في زراعة القطن. الذكاء الاصطناعي في الزراعة، 15، 182-191. https://doi.org/10.1016/j.aiia.2025.01.013

















