زراعة الشعير تحصل على دفعة مع كشف YOLOv5 خفيف الوزن

الشعير الجبلي، وهو محصول حبوب مرن يزرع في المناطق المرتفعة من هضبة تشينغهاي-التبت في الصين، يلعب دورًا حاسمًا في الأمن الغذائي المحلي والاستقرار الاقتصادي. يُعرف علميًا باسم شعير ي.، تزدهر هذه المحاصيل في الظروف القاسية - الهواء الرقيق، ومستويات الأكسجين المنخفضة، ومتوسط درجة الحرارة السنوية 6.3 درجة مئوية - مما يجعلها لا غنى عنها للمجتمعات في البيئات القاسية.

مع تخصيص أكثر من 270 ألف هكتار لزراعته في الصين، وبشكل أساسي في منطقة التبت ذاتية الحكم، يمثل شعير المرتفعات أكثر من نصف المساحة المزروعة في المنطقة وأكثر من 70% من إجمالي إنتاجها من الحبوب. يعد الرصد الدقيق لكثافة الشعير - وهو عدد النباتات أو السنابل لكل وحدة مساحة - أمرًا ضروريًا لتحسين الممارسات الزراعية، مثل الري والتسميد، والتنبؤ بالمحصول.

ومع ذلك، فقد أثبتت الطرق التقليدية مثل أخذ العينات اليدوية أو التصوير عبر الأقمار الصناعية أنها غير فعالة أو تتطلب الكثير من الأيدي العاملة أو لا توفر تفاصيل كافية. ولمعالجة هذه التحديات، طور باحثون من جامعة فوجيان للزراعة والغابات وجامعة تشنغدو للتكنولوجيا نموذجاً مبتكراً يعتمد على الذكاء الاصطناعي ، وهو نموذج YOLOv5 ، وهو خوارزمية متطورة للكشف عن الكائنات.

عملهم، الذي نُشر في طرق الزراعة (2025) حقق نتائج ملحوظة، منها متوسط دقة اكتشاف 93.1% (mAP) - وهو مقياس يقيس دقة الاكتشاف الإجمالية - وانخفاض في التكاليف الحسابية بنسبة 75.6%، مما يجعله مناسبًا لنشر الطائرات بدون طيار في الوقت الفعلي.

التحديات والابتكارات في مراقبة المحاصيل

تمتد أهمية الشعير المزروع في المرتفعات إلى ما هو أبعد من دوره كمصدر غذاء. ففي عام 2022 وحده، حصدت مدينة ريكازي، وهي منطقة رئيسية لإنتاج الشعير، 408,900 طن من الشعير عبر 60,000 هكتار، مساهمة بما يقرب من نصف إجمالي إنتاج الحبوب في التبت.

على الرغم من أهميتها الثقافية والاقتصادية، ظل تقدير محاصيل الشعير أمراً صعباً منذ فترة طويلة. الطرق التقليدية، مثل العد اليدوي أو صور الأقمار الصناعية، إما تتطلب الكثير من العمل اليدوي أو تفتقر إلى الدقة اللازمة لاكتشاف سنابل الشعير الفردية - الجزء الحامل للحبوب من النبات، والذي غالباً ما لا يتجاوز عرضه 2-3 سنتيمترات.

يتطلب أخذ العينات اليدوي من المزارعين فحص الأقسام بالميدان جسديًا - وهي عملية بطيئة وذاتية وغير عملية للمزارع واسعة النطاق. صور الأقمار الصناعية، على الرغم من فائدتها للملاحظات العامة، تواجه صعوبة في دقتها المنخفضة (غالبًا 10-30 مترًا لكل بكسل) وتعطل الطقس المتكرر، مثل الغطاء السحابي في المناطق الجبلية مثل التبت.

للتغلب على هذه القيود، لجأ الباحثون إلى الطائرات المسيرة (UAVs)، أو الدرونز، المزودة بكاميرات بدقة 20 ميجابكسل. التقطت هذه الدرونز 501 صورة عالية الدقة لحقول الشعير في مدينة ريكاز خلال مرحلتين حيويتين من النمو: مرحلة النمو في أغسطس 2022، والتي تميزت بسنابل خضراء ومتنامية، ومرحلة النضج في أغسطس 2023، والتي تميزت بسنابل ذهبية صفراء جاهزة للحصاد.

ومع ذلك، شكل تحليل هذه الصور تحديات، بما في ذلك الحواف الضبابية الناتجة عن حركة الطائرة بدون طيار، وصغر حجم سنابل الشعير في المناظر الجوية، وتداخل السنابل في الحقول الكثيفة.

لمعالجة هذه المشكلات، قام الباحثون بمعالجة الصور مسبقًا بتقسيم كل صورة عالية الدقة إلى 35 صورة فرعية أصغر وتصفية الحواف الباهتة، مما أدى إلى 2970 صورة فرعية عالية الجودة للتدريب. ضمنت هذه الخطوة المعالجة المسبقة أن يركز النموذج على البيانات الواضحة والقابلة للتنفيذ، متجنبًا التشتت من المناطق منخفضة الجودة.

التطورات التقنية في كشف الأجسام

تتمحور هذه الأبحاث حول خوارزمية YOLOv5 (You Only Look Once version 5)، وهي نموذج كشف الأجسام ذو المرحلة الواحدة معروف بسرعته وتصميمه المعياري. على عكس النماذج القديمة ذات المرحلتين مثل Faster R-CNN، التي تحدد مناطق الاهتمام أولاً ثم تصنف الأجسام، تقوم YOLOv5 بالكشف في مرور واحد، مما يجعلها أسرع بكثير.

كان نموذج YOLOv5n الأساسي، الذي يحتوي على 1.76 مليون معلمة (مكونات قابلة للتكوين للنموذج الذكي) و 4.1 مليار عملية نقطة عائمة (FLOPs، مقياس للتعقيد الحسابي)، فعالاً بالفعل. ومع ذلك، فإن اكتشاف سنابل الشعير الصغيرة المتداخلة تطلب المزيد من التحسين.

قدم فريق البحث ثلاثة تحسينات رئيسية للنموذج: الالتفاف القابل للفصل العميق (DSConv)، والتفاف الأشباح (GhostConv)، ووحدة الانتباه الحجبية الالتفافية (CBAM).

يقلل الالتفاف القابل للفصل حسب العمق (DSConv) التكاليف الحسابية عن طريق تقسيم عملية الالتفاف القياسية - وهي عملية رياضية تستخرج الميزات من الصور - إلى خطوتين. أولاً، يطبق الالتفاف حسب العمق المرشحات على قنوات الألوان الفردية (على سبيل المثال، الأحمر والأخضر والأزرق)، ويحلل كل قناة على حدة.

يتبع ذلك التفاف نقطي، يجمع النتائج عبر القنوات باستخدام نوى 1×1. يقلل هذا النهج من عدد المعلمات بما يصل إلى 75%.

على سبيل المثال، تتطلب عملية التفاف تقليدية بحجم 3×3 مع 64 قناة إدخال و 128 قناة إخراج 73,728 معلمة، بينما تقلل DSConv هذا الرقم إلى 8,768 فقط - انخفاض بنسبة 88%. هذه الكفاءة أمر بالغ الأهمية لنشر النماذج على طائرات بدون طيار أو الأجهزة المحمولة ذات القدرة المحدودة على المعالجة.

تخفف التفافات الأشباح (GhostConv) النموذج أكثر عن طريق إنشاء خرائط ميزات إضافية - تمثيلات مبسطة لأنماط الصور - من خلال عمليات خطية بسيطة، مثل الدوران أو التحجيم، بدلاً من الالتفافات المكثفة للموارد.

تنتج طبقات الالتفاف التقليدية ميزات زائدة، مما يهدر الموارد الحسابية. تعالج GhostConv ذلك عن طريق إنشاء ميزات “شبح” من الميزات الموجودة، مما يقلل فعليًا عدد المعلمات إلى النصف في طبقات معينة.

على سبيل المثال، طبقة ذات 64 قناة إدخال و 128 قناة إخراج ستتطلب تقليديًا 73,728 معامل, ، لكن GhostConv تقلله إلى 36,864 مع الحفاظ على الدقة. هذه التقنية مفيدة بشكل خاص للكشف عن الأجسام الصغيرة مثل سنابل الشعير، حيث تكون الكفاءة الحسابية أمرًا بالغ الأهمية.

تم دمج وحدة الانتباه التلافيفية (CBAM) لمساعدة النموذج على التركيز على الميزات الهامة، حتى في البيئات المزدحمة. تسمح آليات الانتباه، المستوحاة من الأنظمة البصرية البشرية، لنماذج الذكاء الاصطناعي بتحديد أولويات الأجزاء الهامة من الصورة.

يستخدم CBAM نوعين من الانتباه: انتباه القنوات، الذي يحدد قنوات الألوان المهمة (مثل اللون الأخضر للسنبلات النامية)، وانتباه المكان، الذي يسلط الضوء على المناطق الرئيسية داخل الصورة (مثل تجمعات السنابل). من خلال استبدال الوحدات القياسية بـ DSConv و GhostConv ودمج CBAM، ابتكر الباحثون نموذجًا أخف وأكثر دقة مصممًا خصيصًا لكشف الشعير.

التنفيذ والنتائج

لتدريب النموذج، قام الباحثون بتصنيف 135 صورة أصلية يدويًا باستخدام مربعات تحديد — أطر مستطيلة تحدد موقع سنابل الشعير — وتصنيف السنابل إلى مراحل النمو والنضج. وسعت تقنيات زيادة البيانات — بما في ذلك التدوير، وحقن الضوضاء، والانسداد، والحدة — مجموعة البيانات إلى 2970 صورة، مما حسن قدرة النموذج على التعميم عبر ظروف الحقول المتنوعة.

على سبيل المثال، ساعد تدوير الصور بزوايا 90 درجة أو 180 درجة أو 270 درجة النموذج على التعرف على الأشواك من زوايا مختلفة، بينما حاكى إضافة الضوضاء العيوب الواقعية مثل الغبار أو الظلال. تم تقسيم مجموعة البيانات إلى مجموعة تدريب (80%) ومجموعة تحقق (20%)، مما يضمن تقييمًا قويًا.

تم التدريب على نظام عالي الأداء مزود بوحدة معالجة مركزية AMD Ryzen 7، ووحدة معالجة رسومات NVIDIA RTX 4060، وذاكرة وصول عشوائي بسعة 64 جيجابايت، باستخدام إطار عمل PyTorch - وهو أداة شائعة للتعلم العميق. على مدار أكثر من 300 دورة تدريبية (مرور كامل عبر مجموعة البيانات)، تم تتبع دقة النموذج (دقة الاكتشافات الصحيحة) والاستدعاء (القدرة على العثور على جميع الارتفاعات ذات الصلة) والخسارة (معدل الخطأ) بدقة.

كانت النتائج مذهلة. حقق نموذج YOLOv5 المحسّن دقة بلغت.2 (بزيادة عن.1 في الأساس) وقابلية استدعاء بلغت.2 (بزيادة عن.1)، متفوقًا على نموذج YOLOv5n الأساسي بمقدار%3.1 في كلا المقياسين. وبلغ متوسط دقة الاستدعاء المتوسط (mAP) - وهو مقياس شامل يمثل متوسط دقة الكشف عبر جميع الفئات -% 93.1، مع درجات فردية بلغت% 92.7 للمراحل النمائية و% 93.5 لمراحل النضج.

كانت كفاءته الحاسوبية مثيرة للإعجاب بنفس القدر: انخفضت معلمات النموذج بنسبة.6 لتصل إلى 1.2 مليون، وانخفضت عمليات الفلوبس بنسبة.6 لتصل إلى 3.1 مليار. أبرزت التحليلات المقارنة مع النماذج الرائدة مثل Faster R-CNN و YOLOv8n تفوقه.

بينما حقق YOLOv8n دقة mAP أعلى بقليل (93.8%)، إلا أن معاييره (3.0 مليون) وعمليات الفاصلة العائمة (8.1 مليار) كانت أعلى بـ 2.5x و 2.6x على التوالي، مما يجعل النموذج المقترح أكثر كفاءة بكثير للتطبيقات في الوقت الفعلي.

أكدت المقارنات المرئية هذه التطورات. في صور مرحلة النمو، اكتشف النموذج المحسن 41 رأسًا مقارنة بـ 28 في النموذج الأساسي. أثناء النضج، حدد 3 رؤوس مقابل 2 في النموذج الأساسي، مع عدد أقل من الاكتشافات المفقودة (محددة بأسهم برتقالية) والإيجابيات الكاذبة (محددة بأسهم أرجوانية).

هذه التحسينات حيوية للمزارعين الذين يعتمدون على بيانات دقيقة للتنبؤ بالمحصول وتحسين الموارد. على سبيل المثال، تتيح دقة عدد السنابل تقديرات أفضل لإنتاج الحبوب، مما يوجه القرارات المتعلقة بتوقيت الحصاد والتخزين والتخطيط للسوق.

الاتجاهات المستقبلية والآثار العملية

على الرغم من نجاح الدراسة، إلا أنها اعترفت بوجود قيود. انخفض الأداء في ظروف إضاءة قاسية، مثل الوهج الشديد في منتصف النهار أو الظلال الكثيفة، والتي يمكن أن تحجب تفاصيل السنابل. بالإضافة إلى ذلك، لم تتناسب الصناديق المستطيلة المحيطة أحيانًا مع السنابل غير المنتظمة الشكل، مما أدى إلى عدم دقة بسيطة.

استبعد النموذج أيضًا الحواف غير الواضحة من صور الطائرات بدون طيار، مما يتطلب معالجة مسبقة يدوية - وهي خطوة تضيف وقتًا وتعقيدًا.

تهدف الأعمال المستقبلية إلى معالجة هذه المشكلات من خلال توسيع مجموعة البيانات لتشمل صورًا ملتقطة عند الفجر والظهيرة والغسق، والتجريب باستخدام التعليقات التوضيحية ذات الشكل المضلع (أشكال مرنة تتناسب بشكل أفضل مع الأشياء غير المنتظمة)، وتطوير خوارزميات للتعامل بشكل أفضل مع المناطق غير الواضحة دون تدخل يدوي.

إن تداعيات هذا البحث عميقة. بالنسبة للمزارعين في مناطق مثل التبت، يقدم النموذج تقديرًا فوريًا للمحصول، ليحل محل العد اليدوي كثيف العمالة بالأتمتة المعتمدة على الطائرات بدون طيار. يتيح التمييز بين مراحل النمو تخطيطًا دقيقًا للحصاد، مما يقلل من الخسائر الناجمة عن الحصاد المبكر أو المتأخر.

يمكن للبيانات التفصيلية حول كثافة الأشواك - مثل تحديد المناطق ذات الكثافة المنخفضة أو المزدحمة - أن تفيد استراتيجيات الري والتسميد، مما يقلل من هدر المياه والمواد الكيميائية. إلى جانب الشعير، يحمل البناء خفيف الوزن وعدًا لمحاصيل أخرى، مثل القمح والأرز أو الفواكه، مما يمهد الطريق لتطبيقات أوسع في الزراعة الدقيقة.

الخاتمة

في الختام، تجسد هذه الدراسة الإمكانات التحويلية للذكاء الاصطناعي في مواجهة التحديات الزراعية. من خلال تحسين YOLOv5 بتقنيات مبتكرة وخفيفة الوزن، ابتكر الباحثون أداة تحقق التوازن بين الدقة والكفاءة - وهو أمر بالغ الأهمية للنشر في العالم الحقيقي في البيئات ذات الموارد المحدودة.

قد تبدو مصطلحات مثل mAP، و FLOPs، وآليات الانتباه تقنية، لكن تأثيرها عملي للغاية: فهي تمكّن المزارعين من اتخاذ قرارات قائمة على البيانات، والحفاظ على الموارد، وتعظيم المحاصيل. ومع اشتداد ضغوط تغير المناخ ونمو السكان على أنظمة الغذاء العالمية، ستكون هذه التطورات ضرورية.

بالنسبة لمزارعي التبت وما وراءها، تمثل هذه التكنولوجيا ليس فقط قفزة في كفاءة الزراعة، بل منارة أمل للأمن الغذائي المستدام في مستقبل غير مؤكد.

مرجع Cai, M., Deng, H., Cai, J. et al. الكشف الخفيف عن الشعير الهايلاندي بناءً على YOLOv5 المحسّن. Plant Methods 21, 42 (2025). https://doi.org/10.1186/s13007-025-01353-0