دور تطبيقات التعلم العميق في رؤية الحاسوب للكشف المبكر عن أمراض النبات

تُشكل أمراض النباتات تهديدًا صامتًا للأمن الغذائي العالمي، إذ تُدمر ما بين 10 و16 تريليون طن من المحاصيل سنويًا، وتُكبّد القطاع الزراعي خسائر تُقدر بمليار و220 مليار دولار. وتتسم الطرق التقليدية، كالفحص اليدوي والاختبارات المعملية، بالبطء والتكلفة العالية، وغالبًا ما تكون غير موثوقة.

دراسة رائدة لعام 2025،, “"التعلم العميق ورؤية الحاسوب في الكشف عن أمراض النبات"” (أوبادياي وآخرون)، يكشف كيف أن الكشف عن أمراض النباتات باستخدام الذكاء الاصطناعي ورؤية الكمبيوتر في الزراعة يحول الزراعة.

لماذا يُعدّ الكشف المبكر عن أمراض النباتات أمراً بالغ الأهمية للأمن الغذائي العالمي؟

يوظف القطاع الزراعي 281 تريليون عامل من القوى العاملة العالمية، وتتصدر دول مثل الهند والصين والولايات المتحدة إنتاج المحاصيل. ومع ذلك، فإن أمراض النباتات التي تسببها الفطريات والبكتيريا والفيروسات تُقلل المحاصيل بشكل كبير وتُرهق الاقتصادات.

فعلى سبيل المثال، يقلل مرض لفحة الأرز من المحاصيل بمقدار 30-50% في المناطق المتضررة، بينما قضى مرض التدهور الحمضي على 70% من بساتين البرتقال في فلوريدا منذ عام 2005. ويُعد الكشف المبكر أمرًا بالغ الأهمية، لكن العديد من المزارعين يفتقرون إلى الأدوات أو الخبرات المتقدمة.

وهنا يأتي دور الكشف عن الأمراض المدعوم بالذكاء الاصطناعي، حيث يقدم حلولاً سريعة وبأسعار معقولة ودقيقة تتفوق على الطرق التقليدية.

كيف تكشف تقنيات الذكاء الاصطناعي ورؤية الحاسوب عن أمراض المحاصيل

حللت الدراسة 278 ورقة بحثية لشرح كيفية عمل أنظمة الكشف عن أمراض النباتات باستخدام الذكاء الاصطناعي. في البداية، تلتقط الكاميرات أو أجهزة الاستشعار صورًا للمحاصيل. ثم تُعالج هذه الصور باستخدام خوارزميات لتحديد علامات المرض.

على سبيل المثال،, كاميرات RGB التقط صورًا ملونة لرصد الأعراض المرئية مثل بقع الأوراق، بينما تكتشف الكاميرات فائقة الطيف إشارات الإجهاد الخفية من خلال تحليل مئات من أطوال موجات الضوء.

بعد التقاط الصور، تخضع لمعالجة مسبقة لتحسين جودتها. تعمل تقنيات مثل تحديد العتبة على عزل المناطق المصابة حسب اللون، بينما ترسم تقنيات كشف الحواف حدود الآفات أو تغير اللون.

بعد ذلك، تقوم نماذج التعلم العميق بتحليل البيانات التي تمت معالجتها مسبقًا. الشبكات العصبية الالتفافية (CNNs), تُعد هذه الأدوات، وهي أكثر أدوات الذكاء الاصطناعي شيوعًا في الزراعة، تقوم بمسح الصور طبقة تلو الأخرى لتحديد الأنماط مثل الأنسجة أو الألوان غير العادية.

في محاكمة عام 2022،, ResNet50—نموذج CNN شائع— حقق دقة 99.07% في تشخيص أمراض الطماطم.

في أثناء،, محولات الرؤية (ViTs) قسّم الصور إلى أجزاء صغيرة وادرس علاقاتها، محاكياً بذلك كيفية تحليل البشر للسياق. وقد ساعد هذا النهج في الكشف عن فيروس تطهير عروق العنب بدقة 71% في دراسة أجريت عام 2020.

“"مستقبل الزراعة لا يكمن في استبدال البشر، بل في تزويدهم بأدوات ذكية."”

دور أجهزة الاستشعار المتقدمة في الزراعة الحديثة

توفر أجهزة الاستشعار المختلفة مزايا فريدة للزراعة الدقيقة. كاميرات RGB, على الرغم من أنها ميسورة التكلفة وسهلة الاستخدام، إلا أنها تواجه صعوبة في تشخيص الأمراض في مراحلها المبكرة بسبب محدودية التفاصيل الطيفية. في المقابل،, كاميرات فائقة الطيف التقاط البيانات عبر مئات الأطوال الموجية للضوء، مما يكشف عن إشارات الإجهاد غير المرئية للعين المجردة.

فعلى سبيل المثال، استخدم الباحثون التصوير الطيفي الفائق لتشخيص مرض تقرح التفاح (Valsa canker) بدقة بلغت 98% في عام 2022. ومع ذلك، فإن تكلفة هذه الكاميرات باهظة. $10,٠٠٠–$50 ألفًا، مما يجعلها باهظة الثمن بالنسبة للمزارعين أصحاب الحيازات الصغيرة.

كاميرات حرارية يُتيح قياس التغيرات الحرارية الناتجة عن العدوى منظورًا آخر. فقد وجدت دراسة أجريت عام 2019 أن الأوراق المصابة بمرض التدهور الحمضي تُظهر أنماطًا حرارية مميزة، مما يسمح بالكشف المبكر عنه.

في أثناء،, كاميرات متعددة الأطياف—خيار وسطي—تتبع مستويات الكلوروفيل لتقييم صحة النبات.

قامت هذه المجسات برسم خرائط صدأ القمح المخطط في عام 2014، مما ساعد المزارعين على توجيه العلاجات بشكل أكثر فعالية. وعلى الرغم من فوائدها، لا تزال تكاليف المجسات والعوامل البيئية مثل الرياح أو الإضاءة غير المتساوية تشكل تحديات.

مجموعات البيانات العامة: العمود الفقري للزراعة القائمة على الذكاء الاصطناعي

يتطلب تدريب نماذج الذكاء الاصطناعي الموثوقة كميات هائلة من البيانات المصنفة. مجموعة بيانات PlantVillage, أصبح هذا المورد المجاني الذي يحتوي على 87000 صورة لـ 14 محصولًا و 26 مرضًا، المعيار الذهبي للباحثين.

استخدمت أكثر من 901 دراسة مذكورة في الورقة البحثية هذه المجموعة من البيانات لتدريب نماذجها واختبارها. مورد رئيسي آخر هو مجموعة بيانات أمراض الكاسافا, ، يتضمن 11670 صورة لمرض فسيفساء الكسافا وحقق دقة 96% باستخدام نماذج CNN.

مع ذلك، لا تزال هناك ثغرات. فالأمراض النادرة، مثل دودة الصنوبر، لا يتوفر لها سوى أقل من 100 صورة مصنفة، مما يحد من قدرة الذكاء الاصطناعي على اكتشافها. إضافةً إلى ذلك، تحتوي معظم مجموعات البيانات على صور ملتقطة في المختبر، والتي لا تأخذ في الحسبان متغيرات العالم الحقيقي، مثل الطقس والإضاءة.

ولمعالجة هذا الأمر، تقوم مشاريع مثل AI4Ag بجمع صور الحقول من المزارعين في جميع أنحاء العالم، بهدف بناء مجموعات بيانات أكثر قوة وواقعية.

قياس أداء الذكاء الاصطناعي: الدقة، والضبط، وما وراء ذلك

يستخدم الباحثون عدة مقاييس لتقييم أنظمة الذكاء الاصطناعي للكشف عن أمراض النبات. دقةتتراوح نسبة التشخيصات الصحيحة بين 76.9% في الطرازات المبكرة إلى 99.97% في الأنظمة المتقدمة مثل EfficientNet-B5.

مع ذلك، قد تكون الدقة وحدها مضللة. فالدقة تقيس عدد الأمراض التي تم الإبلاغ عنها والتي هي حقيقية (لتجنب الإنذارات الكاذبة)، بينما يتتبع الاستدعاء عدد الإصابات الفعلية التي تم اكتشافها.

على سبيل المثال،, قناع آر-سي إن إن, ، وهو نموذج للكشف عن الأجسام، حقق استدعاءً قدره 93.5% في رصد مرض الأنثراكنوز في الفراولة، ولكنه حقق دقة قدرها 45% فقط في الكشف عن تعفن جذور القطن.

ال F1-Score يوازن بين الدقة والاستدعاء، مما يوفر رؤية شاملة للأداء. في تجربة أجريت عام 2023،, فيتامينات نباتية—نموذج الذكاء الاصطناعي الهجين— سجل 98.61% F1-Score على مجموعة بيانات PlantVillage.

للكشف عن الأجسام،, متوسط الدقة (mAP) أمر بالغ الأهمية. Faster R-CNN, ، وهو نموذج شائع، حقق 73.07% mAP في تجارب أمراض التفاح، مما يعني أنه حدد وصنف الإصابات بشكل صحيح في معظم الحالات.

التحديات التي تعيق الذكاء الاصطناعي في الزراعة

على الرغم من إمكاناتها، تواجه تقنيات الكشف عن الأمراض المدعومة بالذكاء الاصطناعي عقبات. أولاً، ندرة البيانات تعيق انتشار الأمراض النادرة أو الناشئة.

• فعلى سبيل المثال، لم تتوفر سوى 20 صورة لمرض البياض الدقيقي على الخيار لدراسة أجريت عام 2021، مما حد من موثوقية النموذج.
• ثانيًا، تقلل العوامل البيئية مثل الرياح والظلال أو ظروف الإضاءة المتغيرة من دقة المجال بمقدار 20-30% مقارنة بإعدادات المختبر.
• ثالثًا، التكاليف المرتفعة تعيق التبني. الكاميرات فائقة الطيف، على الرغم من قوتها، لا تزال باهظة الثمن بالنسبة للمزارعين الصغار، وأدوات الذكاء الاصطناعي تتطلب هواتف ذكية أو اتصالاً بالإنترنت - وهو ما لا يزال يشكل عائقًا في المناطق الريفية.
• وأخيرًا، لا تزال مشاكل الثقة قائمة. فقد أظهر استطلاع رأي أُجري عام 2023 أن 681% من المزارعين يترددون في تبني الذكاء الاصطناعي بسبب طبيعته "المبهمة" - فهم لا يستطيعون معرفة كيفية اتخاذ القرارات.

وللتغلب على ذلك، يعمل الباحثون على تطوير ذكاء اصطناعي قابل للتفسير يشرح التشخيصات بعبارات بسيطة، مثل تسليط الضوء على مناطق الأوراق المصابة أو سرد الأعراض.

مستقبل الزراعة: 5 ابتكارات جديرة بالمتابعة

1. الحوسبة الطرفية للتحليل في الوقت الحقيقيتعمل نماذج الذكاء الاصطناعي خفيفة الوزن، مثل MobileNetV2 (بحجم 7 ميجابايت)، على الهواتف الذكية أو الطائرات المسيّرة، مما يوفر كشفًا فوريًا للأمراض دون الحاجة إلى الإنترنت. في عام 2023، حقق هذا النموذج دقة بلغت 99.42% في تصنيف أمراض البطاطس، مما مكّن المزارعين من اتخاذ قرارات فورية.

2. التعلم الانتقالي من أجل تكيف أسرعيمكن ضبط النماذج المدربة مسبقًا، مثل PlantViT، بدقة لتناسب محاصيل جديدة باستخدام بيانات قليلة. وقد طوّرت دراسة أجريت عام 2023 نموذج PlantViT للكشف عن مرض لفحة الأرز، محققةً دقة بلغت 87.87% باستخدام 1000 صورة فقط.

3. نماذج اللغة البصرية (VLMs)تتيح أنظمة مثل CLIP من OpenAI للمزارعين الاستعلام من الذكاء الاصطناعي باستخدام النصوص (مثلاً: "ابحث عن البقع البنية على الأوراق"). هذا التفاعل الطبيعي يسد الفجوة بين التكنولوجيا المعقدة والزراعة اليومية.

4. نماذج أساسية للذكاء الاصطناعي للأغراض العامة: يمكن للنماذج الكبيرة مثل GPT-4 محاكاة انتشار الأمراض أو التوصية بالعلاجات، والعمل كمهندسين زراعيين افتراضيين.

5. قواعد البيانات العالمية التعاونية: تقوم منصات المصادر المفتوحة مثل PlantVillage و AI4Ag بتجميع البيانات من المزارعين والباحثين في جميع أنحاء العالم، مما يسرع الابتكار.

دراسة حالة: زراعة المانجو المدعومة بالذكاء الاصطناعي في الهند

في عام 2024، طوّر الباحثون نموذج DenseNet خفيف الوزن لمكافحة أمراض المانجو مثل الأنثراكنوز والبياض الدقيقي. وبعد تدريبه على 12332 صورة ميدانية، حقق النموذج دقة بلغت 99.2%، وهي أعلى من معظم الأنظمة المختبرية.

بفضل عدد أقل من المعايير (50%)، يعمل التطبيق بسلاسة على الهواتف الذكية منخفضة التكلفة. يستخدم المزارعون الهنود الآن تطبيقًا ($10) مبنيًا على هذه التقنية الذكية لفحص أوراق الأشجار والحصول على تشخيصات فورية، مما يقلل من استخدام المبيدات الحشرية بنسبة 30% وينقذ المحاصيل.

الخاتمة

تُعيد تقنيات الذكاء الاصطناعي للكشف عن أمراض النباتات والزراعة الدقيقة تشكيل الزراعة، مما يُعطي أملاً في مواجهة انعدام الأمن الغذائي. ومن خلال تمكين التشخيص المبكر، والحد من استخدام المواد الكيميائية، ودعم صغار المزارعين، يُمكن لهذه الأدوات أن تُعزز غلة المحاصيل العالمية بنسبة تتراوح بين 20 و30 ضعفاً.

لتحقيق هذه الإمكانات، يجب على أصحاب المصلحة معالجة تكاليف أجهزة الاستشعار، وتحسين تنوع البيانات، وبناء ثقة المزارعين من خلال التعليم.

المرجعأوبادياي، أ.، شانديل، ن.س.، سينغ، ك.ب. وآخرون. التعلم العميق ورؤية الحاسوب في الكشف عن أمراض النبات: مراجعة شاملة للتقنيات والنماذج والاتجاهات في الزراعة الدقيقة. مجلة الذكاء الاصطناعي 58، 92 (2025). https://doi.org/10.1007/s10462-024-11100-x