التعلم في الوقت الفعلي المدعوم بتقنية الجيل الخامس في الزراعة المستدامة: دراسة على بنجر السكر

يسرنا أن نعلن عن الإنجاز الناجح لمشروع "شبكات الجيل الخامس كعامل تمكين للتعلم في الوقت الحقيقي في الزراعة المستدامة"، بدعم من تمويل جزئي من وزارة الشؤون الاقتصادية والصناعة والعمل المناخي والطاقة في ولاية شمال الراين وستفاليا.

تمثل هذه المبادرة خطوة هامة إلى الأمام في استكشاف الإمكانات التحويلية لتكنولوجيا الجيل الخامس في الزراعة، والتي تهدف على وجه التحديد إلى تعزيز الجوانب البيئية والاقتصادية والمستدامة لزراعة بنجر السكر.

لقد استفادت من زمن الاستجابة المنخفض لتقنية الجيل الخامس لدمج أنظمة تكنولوجيا المعلومات المتقدمة في الوقت الفعلي، مما يتيح الاستجابات الفورية لبيانات المستشعرات والموقع ضمن أطر زمنية محددة مسبقًا.

تركيز المشروع والشراكة

بالتعاون مع شركاء في مختبر HSHL وبدعم من شركة Pfeifer & Langen، ركز المشروع على دراسة دورة حياة زراعة بنجر السكر بالكامل في حقول تابعة للشركاء. وهدف إلى إثبات كيف يمكن لتقنية الجيل الخامس أن تُشكل محفزًا تقنيًا محوريًا في القطاع الزراعي في شمال الراين وستفاليا، مُبرزًا إمكاناتها كعامل تمكين للابتكار والكفاءة.

دور الزراعة الجغرافية

لعبت شركة GeoPard Agriculture دورًا محوريًا في تحديد وتنفيذ الجوانب الرئيسية للمشروع، بما في ذلك سيناريوهات رصد النباتات ومراقبتها والتنبؤ بإنتاجها. وقد طورنا نظام ذكاء اصطناعي أوليًا مصممًا خصيصًا لبيئة الزراعة بتقنية الجيل الخامس، ونفذنا نماذج ضمن بنية تحتية سحابية، وأنشأنا تطبيقًا للهواتف المحمولة للتفاعل الفوري مع النماذج السحابية.

التكامل التكنولوجي

تم استخدام أساليب الذكاء الاصطناعي عبر بنية تحتية سحابية قوية ذات قدرات حاسوبية عالية. قامت خوارزميات الذكاء الاصطناعي بتصنيف النباتات في الوقت الفعلي أثناء كل عملية تهجين، وراقبت نموها طوال دورة حياتها، مما ألغى الحاجة إلى زيارات ميدانية غير ضرورية لمجرد جمع البيانات.

وقد مكّن هذا التقدم من التطبيق الدقيق للأسمدة ومنتجات حماية المحاصيل، مع تعديل معدلات التطبيق ديناميكيًا أثناء عمليات العبور من خلال خوارزميات التعلم الآلي.

نشر المركبات غير المأهولة

علاوة على ذلك، استغل المشروع انخفاض زمن الاستجابة في تقنية الجيل الخامس لنشر مركبات غير مأهولة لمراقبة النباتات وجمع البيانات. وقد لعبت هذه المركبات دورًا حاسمًا في جمع معلومات آنية، ومواصلة تحسين الممارسات الزراعية.

نتائج المشروع: تعزيز إنتاج بنجر السكر بتقنية الجيل الخامس

أظهر المشروع كيف يمكن لتقنية الجيل الخامس أن تُحدث نقلة نوعية في القطاع الزراعي في شمال الراين وستفاليا، وذلك من خلال تحليل دورة حياة زراعة بنجر السكر بأكملها، مُسلطًا الضوء على التحسينات الكبيرة التي تُتيحها هذه التقنية. ولعرض نتائج المشروع بكفاءة، استخدم الباحثون حزم عمل تتضمن سيناريوهات وبنى تحتية مختلفة.

تعريف السيناريو مع مراعاة البنية التحتية الحالية للبيانات الجغرافية والتعلم الآلي

أظهر المشروع كيف يمكن تحسين العمليات التقليدية ضمن دورة إنتاج بنجر السكر من خلال دمج تقنية الجيل الخامس. وشملت الأهداف الرئيسية ما يلي:

• تم تطوير سيناريوهات جاهزة للتنفيذ للتعرف على النباتات ومراقبتها والتنبؤ بالإنتاج.
• المتطلبات التقنية المحددة اللازمة للتنفيذ الناجح لهذه السيناريوهات.
• تم تحديد وتقييم المؤشرات البيئية والاقتصادية ذات الصلة لتقييم القيمة المضافة التي توفرها شبكة الجيل الخامس.

أكدت هذه المرحلة التزام المشروع بدمج أحدث التقنيات مع الممارسات الزراعية القائمة. وقد استفادت هذه البنية من سرعة اتصال شبكة الجيل الخامس (5G) لتسهيل جمع البيانات ومعالجتها في الوقت الفعلي بين الأجهزة الطرفية والحوسبة السحابية. ووفرت البنية التحتية السحابية موارد أساسية لتدريب ونشر نماذج الذكاء الاصطناعي واسعة النطاق، بينما قدمت منصة الذكاء الاصطناعي أدوات فعالة لتطوير النماذج ونشرها. وقدمت طبقة التطبيقات رؤى عملية مستمدة من نماذج الذكاء الاصطناعي للمستخدمين النهائيين، مما عزز قدراتهم على اتخاذ القرارات.

التعلم الآلي والذكاء الاصطناعي في سياق الجيل الخامس

انصبّ تركيز هذا الجزء على تكييف أنظمة التعلّم الآلي والذكاء الاصطناعي الحالية لتتوافق مع السيناريوهات المذكورة أعلاه، وتحسينها وفقًا لذلك. وشملت الأهداف الرئيسية ما يلي:

• حدد أهداف النظام وقم بتطوير بنية النظام
• تم جمع بيانات الحقيقة الأساسية لتدريب نماذج الذكاء الاصطناعي والتحقق من صحتها.
• تم إنشاء قاعدة بيانات مناسبة وتصنيفها خصيصًا لتحديد النباتات ومراقبتها.
• دمج نماذج الذكاء الاصطناعي بسلاسة في البنية التحتية لشبكة الجيل الخامس.

في هذه المرحلة، لعبت الأجهزة الطرفية المزودة بشرائح SIM للهواتف المحمولة التي تستخدم تقنية الجيل الخامس دورًا محوريًا. وتمت مراقبة مؤشرات الأداء الرئيسية، مثل زمن الاستجابة أو زمن الاستجابة الشامل، عن كثب. وشملت القياسات تقييم موثوقية وتوافر حزم البيانات المستلمة بدقة، بالإضافة إلى تحليل معدلات بيانات المستخدم ومعدلات ذروة البيانات.

علاوة على ذلك، تم وضع افتراضات بناءً على بث فيديو بدقة UHD بتنسيق MP4، يتم نقله عبر بروتوكول التحكم في الإرسال (TCP). وشملت الحلول المحتملة التي تم استكشافها التحسين باستخدام صور فردية بدلاً من تدفقات الفيديو المستمرة، وإجراء تحسينات أساسية مباشرة على الأجهزة الطرفية، وتطبيق تقنيات تكميم النموذج لتعزيز الكفاءة.

البنية التحتية السحابية وخدمات AWS

اعتمد المشروع بشكل كبير على البنية التحتية السحابية التي تستفيد من خدمات AWS مثل Lambda و SageMaker و S3 و CloudWatch و RDS، والتي لعبت دورًا حاسمًا في توفير الموارد اللازمة لتدريب ونشر نماذج الذكاء الاصطناعي.

استُخدمت خدمة AWS Lambda لإدارة مثيلات التطبيقات وتقديمها بكفاءة، بينما سهّلت خدمة AWS SageMaker بناء مسارات قوية للتعلم الآلي. وكانت حلول التخزين مثل S3 وCloudWatch وRDS ضرورية لتخزين مجموعات البيانات والسجلات المهمة لتشغيل نماذج التعلم الآلي والشبكات العصبية.

وبالتالي، دعمت هذه البنية التحتية قدرات معالجة البيانات في الوقت الفعلي التي أتاحتها شبكة الجيل الخامس.

زمن استجابة شبكة الجيل الخامس

صُممت شبكات الجيل الخامس لتحقيق زمن استجابة منخفض للغاية، يتراوح عادةً بين 1 و10 مللي ثانية. ويعكس هذا الزمن الوقت الذي تستغرقه البيانات للانتقال بين الأجهزة المحمولة وخوادم AWS عبر شبكة الجيل الخامس. كما تؤثر قدرات المعالجة الخاصة بكل جهاز، مثل سرعة التقاط الصور ومعالجتها على الهواتف الذكية المزودة بمعالجات عالية الأداء، على زمن الاستجابة.

أثرت سرعات تحميل البيانات على شبكة الجيل الخامس وحجم الصورة على أوقات نقل البيانات إلى خدمات أمازون السحابية (AWS). كما ساهمت خدمات أمازون السحابية في زيادة زمن الاستجابة من خلال أوقات معالجة مهام مثل الكشف والتجزئة باستخدام الشبكات العصبية، والتي تباينت بناءً على تعقيد الخوارزمية وكفاءة خدمة أمازون السحابية. بعد المعالجة، تم تنزيل النتائج مرة أخرى إلى الأجهزة المحمولة، متأثرة بسرعة تنزيل شبكة الجيل الخامس وحجم بيانات النتائج.

التعرف على النباتات باستخدام الذكاء الاصطناعي

في مجال التعرف على النباتات، تضمنت العمليات المدعومة بالذكاء الاصطناعي إنشاء قاعدة بيانات شاملة لصور النباتات لتدريب خوارزميات تعتمد على الشبكات العصبية. وقد تم تدريب هذه الخوارزميات على تمييز أنواع بنجر السكر عن النباتات الأخرى من خلال التعرف على خصائص محددة لكل نوع نباتي، مثل أشكال الأوراق وألوان الأزهار، وما إلى ذلك.

هنا، نقصد بالتعرف على النباتات مهمة الكشف عن الأعشاب الضارة وتقسيم نباتات بنجر السكر.

• الكشف عن الأعشاب الضارة

للكشف عن الأعشاب الضارة، استخدم المشروع نموذج MobileNet-v3، الذي تم تدريبه باستخدام تقنيات تضخيم البيانات المكثفة وأخذ العينات الموزونة. وقد حقق هذا النموذج دقةً مذهلة بلغت 0.984 ومساحة تحت المنحنى (AUC) بلغت 0.998.

• تقسيم بنجر السكر

في مهام تجزئة الصور، استُخدمت نماذج مثل YOLACT وResNeSt وSOLO وU-net لتحديد عينات بنجر السكر بدقة داخل الصور. ثم تم اختيار النموذج الأكثر كفاءة بناءً على معايير مختلفة: السرعة، ووقت الاستدلال، وما إلى ذلك. استُقيت بيانات التجزئة من صور RGB الملتقطة بواسطة طائرات بدون طيار، والتي تم تغيير حجمها وإضافة تعليقات توضيحية إليها لأغراض التدريب والتحقق.

تضمنت مهام التجزئة إنشاء أقنعة تحدد بدقة حدود النباتات. قللت هذه الطريقة من جهد التعليق البشري مع تحسين الكفاءة. ومن خلال إعطاء الأولوية لتصنيف العينات الصعبة، تحسن أداء النموذج بشكل ملحوظ. وقد أثبتت استراتيجيات إعادة التدريب التكراري وأخذ عينات عدم اليقين فعاليتها، حيث حققت معدلات دقة تجزئة تتجاوز 98% عبر مراحل النمو المختلفة.

• تقييم النموذج

تم تدريب النموذج باستخدام تقنيات متقدمة لزيادة البيانات. وقُيِّم النموذج باستخدام مقاييس مختلفة، بما في ذلك تقاطع الاتحاد (IoU). أظهر تحليل الاستدلال للنموذج المُنشأ، والذي أُجري على مجموعة فرعية من مجموعة بيانات "شتلات النباتات الإصدار الثاني"، دقة بلغت 81%. استغرق وقت الاستدلال حوالي 320 مللي ثانية بعد فترة تهيئة مدتها 7 ثوانٍ، وهي ضرورية مرة واحدة فقط لكل جلسة.

في مجال مراقبة النباتات باستخدام الذكاء الاصطناعي، تقوم الكاميرات وأجهزة الاستشعار بجمع بيانات حيوية عن النباتات، ثم تحليلها بواسطة خوارزميات التعلم الآلي والذكاء الاصطناعي. وقد لعب هذا التحليل دورًا حاسمًا في تقييم صحة النباتات، وتحديد الإجهاد والأمراض أو غيرها من العوامل المؤثرة على نموها.

امتدت التطبيقات من تحسين الإنتاجية الزراعية إلى مراقبة النظم البيئية الطبيعية مثل الغابات، والمساعدة في جهود الحفاظ على البيئة، وتعزيز فهم التأثيرات البيئية.

الكشف عن الأجسام في مراقبة المصانع

تتمثل المرحلة التالية بعد تقسيم نباتات بنجر السكر في الكشف عن الأجسام، بهدف فهم خصائص كل نبتة على حدة من حيث الصحة والنمو وعوامل أخرى. وللكشف عن الأجسام في مراقبة النباتات، تم استخدام نماذج متقدمة مثل YOLOv4 وMobileNetV2 وVGG-19 المزودة بآليات الانتباه. قامت هذه النماذج بتحليل صور مقسمة لبنجر السكر للكشف عن مناطق الإجهاد والمرض المحددة، مما يتيح تدخلات دقيقة وموجهة.

حقق المشروع إنجازات هامة في مجال الكشف عن الأمراض، وذلك من خلال تدريب نموذجي ResNet-18 وResNet-34 المدربين مسبقًا على مجموعة بيانات ImageNet. وقد أظهر هذان النموذجان دقةً مذهلة بلغت 0.88 في تحديد الأمراض التي تصيب نباتات بنجر السكر، مع مساحة تحت منحنى ROC (AUC) قدرها 0.898. كما أظهر النموذجان ثقةً عالية في التنبؤ، حيث ميزا بدقة بين النباتات المريضة والسليمة.

اعتمد المشروع منهجًا منظمًا للكشف عن الأمراض، حيث تم تقسيم الصور إلى أجزاء موحدة. وخضعت هذه الأجزاء لعملية شرح دقيقة باستخدام أدوات تفاعلية لتحديد المناطق المصابة بالأمراض. كما عزز الكشف عن الأجسام دقة النتائج من خلال تحديد مربعات محيطة بالنباتات، مما سهّل المراقبة الدقيقة لصحة النبات.

توقعات إنتاج النباتات

في مجال التنبؤ بإنتاج النباتات، استفادت نماذج الذكاء الاصطناعي من البيانات البيئية مثل الأحوال الجوية وخصائص التربة للتنبؤ بمحاصيل المحاصيل. وقد تم استخدام نماذج الانحدار مثل نموذج الغابة المعزولة، والانحدار الخطي، وانحدار ريدج.

قامت هذه النماذج بدمج الميزات الرقمية المستخرجة من مناطق المربع المحيط جنبًا إلى جنب مع بيانات التربة لتحسين تطبيق الأسمدة.

اعتبارات نشر النموذج

تم تقييم استراتيجيات نشر النماذج المطورة لكل من الأجهزة الطرفية ومنصات الحوسبة السحابية. وقد أظهر نشر النماذج على الأجهزة الطرفية مزايا مثل انخفاض التكاليف وتقليل زمن الاستجابة.

مع ذلك، قد يؤدي هذا النهج إلى التضحية بالدقة المحتملة بسبب قيود الأجهزة. من جهة أخرى، يوفر النشر السحابي أوقات استدلال أسرع باستخدام وحدات معالجة رسومية عالية الأداء، ولكنه قد ينطوي على تكاليف إضافية ويعتمد على الاتصال بالإنترنت، مما قد يؤدي إلى تأخير في الاتصال.

تحليل مقارن مع شبكة الجيل الخامس

أظهرت دراسة مقارنة أن استخدام شبكة الجيل الخامس (5G) حسّن بشكل ملحوظ من تجزئة حقول بنجر السكر مقارنةً بإعدادات الجيل الرابع (4G) والواي فاي (WiFi) التقليدية. وقد تجلى هذا التحسن في انخفاض متوسط أوقات الإعداد والشبكة، مما يُبرز المكاسب الكبيرة في الكفاءة التي تحققت بفضل تقنية الجيل الخامس.

• عملية إعداد البيانات

تضمنت عملية إعداد البيانات جمع مجموعات بيانات لنباتات سليمة ومريضة، والكشف عن الأعشاب الضارة، وتحديد مراحل النمو، واستخراج الصور من فيديو خام بدقة 4K. واستُخدمت تقنيات مثل معادلة المدرج التكراري، وتصفية الصور، وتحويل فضاء ألوان HSV لإعداد البيانات للتحليل.

تم جمع عينات من أوراق بنجر السكر السليمة وعينات مصابة بأمراض، مثل أوراق الذرة المصابة ببقعة الأوراق الرمادية. وشملت عملية استخلاص خصائص المرض فصل الورقة عن الخلفية، وتغيير حجم الصور، وتحويلها، ودمجها لإنشاء عينات واقعية للتحليل.

• حلقة التعلم النشط

تم إطلاق حلقة تعلم نشطة باستخدام بيانات غير مصنفة، استُخدمت لتدريب نماذج الكشف. وقد ولّدت هذه النماذج استعلامات تصنيفية قام بمعالجتها مُصنّفون بشريون، مما أدى إلى تحسين دقة النموذج باستمرار من خلال دورات التدريب والتصنيف المتكررة.

• شرح البيانات عبر نموذج الأساس متعدد الوسائط

في مواجهة تحدي محدودية البيانات المصنفة، اعتمد المشروع على نماذج أساسية قوية لتوليد بيانات مرجعية دقيقة. ومن الجدير بالذكر أن نموذج CLIP، وهو نموذج قائم على المحولات طورته شركة OpenAI، وتم تدريبه على مجموعة بيانات ضخمة تضم أكثر من 400 مليون زوج من الصور والنصوص، لعب دورًا محوريًا.

باستخدام محولات الرؤية كعمود فقري لها، حققت CLIP دقة ملحوظة بلغت 95% على مجموعات التحقق، حيث قامت بتصنيف الصور بكفاءة إلى فئات متميزة مثل بنجر السكر والأعشاب الضارة بدقة عالية.

• تقنية الطائرات بدون طيار لجمع البيانات

من بين التقنيات الأساسية المستخدمة في المشروع استخدام طائرات بدون طيار مزودة بكاميرات RGB قادرة على التقاط فيديو بدقة 4K. وقد وفرت هذه الطائرات صورًا تفصيلية (بدقة 3840×2160) لتحليلها.

أدت المعالجة المسبقة لهذه الصور إلى تعزيز دقة النموذج بشكل كبير، مع ملاحظة تحسينات ملحوظة في نماذج مثل VGGNet (+38.52%) و ResNet50 (+21.14%) و DenseNet121 (+7.53%) و MobileNet (+6.6%).

تم استخدام تقنيات مثل معادلة الهيستوغرام لتحسين تباين الصورة، بينما ساعد التحويل إلى مساحة ألوان HSV في التأكيد على مناطق النباتات وإبراز الميزات ذات الصلة.

• توليد البيانات الاصطناعية

لمعالجة تحدي محدودية بيانات الصور، تم توليد مجموعات بيانات اصطناعية عبر التعلم الآلي والذكاء الاصطناعي. تم جمع البيانات باستخدام طائرات بدون طيار تحلق على ارتفاعات تتراوح بين متر واحد وأربعة أمتار وبسرعات تبلغ مترين في الثانية أو أكثر، باستخدام كاميرات RGB.

استُخدمت مركبات أخرى، مثل الجرارات، لجمع البيانات. وقد أثبت توليد هذه البيانات الاصطناعية فائدته بشكل خاص في الكشف عن أمراض بنجر السكر.

الخاتمة

أثبت مشروع "شبكات الجيل الخامس كعامل تمكين للتعلم الفوري في الزراعة المستدامة" بنجاح كيف يمكن لتقنية الجيل الخامس أن تعزز الجوانب البيئية والاقتصادية والمستدامة لزراعة بنجر السكر. ومن خلال التعاون مع مختبر HSHL وشركة Pfeifer & Langen، دمج المشروع جمع البيانات في الوقت الفعلي والتحليل المدعوم بالذكاء الاصطناعي، مما أدى إلى تحسين الكفاءة وتقليل الزيارات الميدانية غير الضرورية.

أتاحت شبكة الجيل الخامس المخصصة للحرم الجامعي استخدامًا دقيقًا للأسمدة ومنتجات حماية المحاصيل. وقد لعبت شركة جيوبارد الزراعية دورًا محوريًا في تطوير سيناريوهات رصد النباتات ومراقبتها، وإنشاء نموذج أولي لنظام التعلم الآلي لبيئة الجيل الخامس الزراعية. وأكد نجاح المشروع على أهمية التقنيات المتقدمة في الزراعة المستدامة، مُبرزًا إمكانات الجيل الخامس في دفع عجلة الابتكار ورفع الكفاءة.