كشف أمراض النبات بالذكاء الاصطناعي: الدقة الحقيقية

ابحث عن أي مادة حول كشف أمراض النبات بالذكاء الاصطناعي وستصل سريعاً إلى أرقام لافتة: دقة ٩٩ في المئة، ٩٨، وأحياناً أعلى. هذه الأرقام حقيقية ومنشورة في دوريات معتبرة. لكنك إن بدأت مشروعاً في بستان فعلي استناداً إليها، فالنتيجة التي ستحصل عليها ستكون على الأرجح أدنى بكثير.

والسبب ليس ضعفاً في التقنية ولا خطأً في تلك الأبحاث. السبب أن ذلك الرقم تحقّق في ظروف تختلف عن ظروف بستانكم. وفهم هذا الفرق هو أهم ما ينبغي معرفته قبل بدء مثل هذا المشروع، وهو موضوع هذه المقالة.

محافظة البرز ببساتينها وبيوتها المحمية، وكرج بوصفها مركزاً قريباً من الأراضي الزراعية المحيطة، بيئة مناسبة لهذا النوع من المشاريع؛ لأن التصوير المتكرّر في الموقع، وسنرى أنه الشرط الأساسي للنجاح، يبقى عملياً حين يكون الفريق التقني في المحافظة نفسها. وقد عرضنا السياق الأوسع لهذه الخدمات في صفحة الذكاء الاصطناعي في كرج. ولهذا السبب تحديداً يكون الانطلاق من توقّع خاطئ مكلفاً.

من أين يأتي رقم ٩٩ في المئة؟

تُدرَّب معظم نماذج كشف أمراض النبات وتُقيَّم على مجموعات بيانات معيارية. أشهرها مجموعة فُصلت فيها كل ورقة ووُضعت على خلفية موحّدة وصُوّرت في إضاءة مضبوطة.

بحث استخدم معمارية EfficientNetB0 على مثل هذه البيانات سجّل دقة ٩٩٫٥١ في المئة. وهذا الرقم صحيح — لتلك الظروف.

لكن المراجعات الأوسع في المجال نفسه تحمل نتيجة أكثر إثارة للقلق: النماذج التي تبلغ دقة تتجاوز ٩٥ في المئة على هذه المجموعات تتراجع بوضوح في ظروف الحقل. وتُذكر ثلاثة أسباب: تحيّز مجموعة البيانات، وانزياح المجال، وتعقيد وجود عدة أمراض في وقت واحد.

النقطة التي تستحق أكبر انتباه

في تلك المراجعات نتيجة أهم من تراجع الدقة نفسه: النماذج المدرَّبة على هذه المجموعات كثيراً ما تعتمد على خصائص الخلفية بدل أعراض المرض ذاتها.

أي أن النموذج تعلّم أن الصور المصابة في تلك المجموعة لها خلفية أو إضاءة مختلفة قليلاً، وصنّف على هذا الأساس. وهو يصيب على بيانات الاختبار أيضاً، لأنها من التوزيع نفسه. لكن في بستانكم، حيث الخلفية تربة وأعشاب وظل أغصان، لم تعد تلك الإشارة موجودة ولم يبقَ للنموذج ما يستند إليه.

وهذا بالضبط ما كتبناه في صفحة الرؤية الحاسوبية: يجب أن يُدرَّب النموذج على بيانات البيئة نفسها. فالنموذج الذي لم يرَ إضاءتكم وزواياكم وخلفيتكم لا ينجح عملياً، مهما كان الرقم المكتوب في بحثه.

ما الرقم الأقرب إلى الواقع؟

حين يجري التقييم على بيانات أقرب إلى الظروف الحقيقية، تنخفض الأرقام لكنها تصبح أجدر بالاعتماد. تسجّل أبحاث حديثة بمعماريات أجدّ دقة ٩٣٫١ في المئة على بيانات التدريب و٩٢٫٥ على بيانات الاختبار. كما أظهرت النماذج القائمة على المحوّلات أداءً أفضل من الشبكات الالتفافية المعتادة في كشف الأنماط المرضية الدقيقة.

قد يبدو اثنان وتسعون في المئة تراجعاً أمام تسعة وتسعين، لكن العكس هو الصحيح عملياً: الرقم المتحقّق في ظروف واقعية أساس للتخطيط، أما الرقم المختبري فيُظهر فقط أن الأسلوب يعمل.

هل يعني هذا أن المشروع غير ممكن؟

لا. يعني أن المشروع يجب أن يبدأ من الموضع الصحيح.

للكشف المبكر عن المرض بالصورة قيمة عملية واضحة: تفقّد كل شجرة يدوياً يستغرق وقتاً، وعادةً لا تُلاحظ الأعراض إلا بعد انتشار المرض. والنظام الذي يمسح البستان كله يومياً بدقة تسعين في المئة، حتى بنسبة الخطأ تلك، يُخبر أبكر من التفقّد الأسبوعي البشري.

المهم أن يُصمَّم النظام بوصفه أداة فرز، لا مرجعاً للتشخيص النهائي. مخرَجه قائمة نقاط تستحق الفحص، والحكم النهائي للمختص. وبهذا التصميم يتحوّل خطأ النموذج البالغ عشرة في المئة إلى بضع زيارات إضافية، لا إلى قرار خاطئ.

وهذا المنطق نفسه — البدء المحدود والقياس الصادق ووجود إنسان في الحلقة — يقوم خلف تطبيقين زراعيين آخرين تناولناهما منفصلين: الري الدقيق وإنتاجية المياه والتحكّم التنبؤي بالبيوت المحمية.

خارطة طريق لمشروع حقيقي

الخطوة الأولى: اختيار مرض واحد ومحصول واحد

المشروع الذي يريد كشف كل الأمراض على كل المحاصيل يفشل. والبداية الصحيحة مرض محدّد على محصول محدّد، ويُفضَّل الأكثر إضراراً والأوضح أعراضاً بصرياً.

الخطوة الثانية: جمع الصور من الموقع نفسه

هذا أشقّ الأجزاء وأهمها. يجب التقاط الصور في البستان نفسه وبالكاميرا نفسها وفي ساعات وأحوال جوية مختلفة. وبضع مئات من الصور الحقيقية من الموقع أثمن من عشرات الآلاف من الصور المختبرية.

الخطوة الثالثة: الوسم بمشاركة مختص

يجب أن يَسِم الصورَ من يعرف المرض. فدقة النموذج لا تتجاوز أبداً دقة الوسوم، وهذه نقطة يقصّر فيها كثير من المشاريع.

الخطوة الرابعة: التقييم على بيانات محجوزة

يجب تقييم النموذج على صور لم يرَها قط، ويُفضَّل أن تكون من موسم آخر أو قطعة أخرى. فالتقييم على بيانات تشترك في أصلها مع بيانات التدريب هو الخطأ الذي يقود إلى رقم ٩٩ في المئة.

الخطوة الخامسة: تمكين الفريق الداخلي

تتغيّر ظروف البستان سنة بعد سنة ويجب تحديث النموذج ببيانات جديدة. وإن كان هذا في مقدور المتعاقد وحده، فسيفقد النظام دقّته ويُهجَر بعد موسمين. ودورة تدريبية في الذكاء الاصطناعي تناسب الفريق، مع مستشار ذكاء اصطناعي للتعليم، تجعل هذا الاستقلال ممكناً. وقد شرحنا المنهج الكامل في تدريب المؤسسات على الذكاء الاصطناعي.

الخطوة السادسة: التوسّع التدريجي

لا يتّسع النطاق إلا بعد إثبات النتيجة على مرض واحد ومحصول واحد. وكل إضافة تحتاج تقييمها الخاص.

الأسئلة الشائعة

ما الدقة الفعلية لكشف أمراض النبات بالذكاء الاصطناعي؟

في الظروف المختبرية وعلى مجموعات البيانات المعيارية سُجّلت دقّات تتجاوز ٩٩ في المئة. لكن المراجعات العلمية تُظهر تراجعاً واضحاً في الحقل؛ وتظهر أرقام قريبة من ٩٢ إلى ٩٣ في المئة في التقييمات الأقرب إلى الواقع.

لماذا يضعف أداء النموذج في الحقل؟

ثلاثة أسباب رئيسية: تحيّز مجموعة البيانات، واختلاف ظروف التصوير، ووجود عدة أمراض معاً. والأهم أن الأبحاث أظهرت أن بعض النماذج تعتمد على خصائص الخلفية بدل أعراض المرض، وهي خصائص غير موجودة في الحقل.

كم صورة يلزم للبدء؟

لا رقم ثابت، ويعتمد على تنوّع الظروف. وبضع مئات من الصور الحقيقية من الموقع نفسه نقطة بدء مقبولة عادةً. والجودة والتنوّع أهم من العدد.

هل تلزم كاميرا أو طائرة مسيّرة خاصة؟

غالباً لا في البداية. كثير من المشاريع تبدأ بكاميرا هاتف أو كاميرا ثابتة بسيطة. أما الطائرة المسيّرة فتصبح مجدية حين تكون المساحة كبيرة بحيث يتعذّر المشي للتصوير.

ما المخرَج النهائي؟

قائمة نقاط مشتبه بها للفحص، لا تشخيص قاطع. فالنظام يُصمَّم أداة فرز ويبقى الحكم النهائي للمختص؛ وبذلك يتحوّل خطأ النموذج إلى زيارة إضافية لا إلى قرار خاطئ.

خدمات قطره ذات الصلة

• الرؤية الحاسوبية للفرز من الصورة، مدرَّبة على بيانات موقعكم نفسه
• علم البيانات لتحليل أنماط الانتشار وترتيب أولويات الفحص
• استشارات الذكاء الاصطناعي للأعمال لتقييم الجدوى قبل أي إنفاق
• أتمتة الذكاء الاصطناعي لتشغيل دورة الرصد وإنتاج التقارير
• الروبوتات وأنظمة التصوير الميداني الآلية
• شات بوت لنقل الإشعارات وإرشاد المشغّل
• دورة تدريبية في الذكاء الاصطناعي للفرق التقنية في المؤسسات الزراعية
• مستشار ذكاء اصطناعي للتعليم لتصميم مسار تعلّم الفريق الداخلي

تتّخذ قطره من مجمّع البرز للعلوم والتقنية مقراً لها، وتقدّم هذه الخدمات مكمّلةً لبرامج المؤسسات القائمة.

المصادر

• Crop disease detection using EfficientNetB0 deep learning approach for precision agriculture — Discover Computing, Springer
• A comprehensive review on AI-based crop disease detection using leaf image classification and explainable AI — Discover Applied Sciences, Springer
• Empowering Agriculture from Pixels to Diagnosis: A Review of Computer Vision Techniques for Plant Disease Detection