الذكاء الاصطناعي في تشخيص أمراض المحاصيل
يحدد الذكاء الاصطناعي في تشخيص أمراض المحاصيل الأمراض النباتية من خلال صور الأوراق، مما يساعد المزارعين على التصرف قبل انتشار المرض.
نظرة عامة
It matters because diseases destroy an estimated 20-40% of global crop yields each year.
الغوص العميق
يستخدم تشخيص أمراض المحاصيل الرؤية الحاسوبية لتصنيف صحة النبات من خلال صور الأوراق أو السيقان أو الفاكهة. يلتقط المزارع صورة بهاتف ذكي، وتقوم شبكة عصبية تلافيفية - غالبًا ما يتم تدريبها على مجموعات بيانات مثل PlantVillage التي تحتوي على عشرات الآلاف من الأوراق المريضة والصحية - بالتنبؤ بالمرض (على سبيل المثال، لفحة الطماطم المتأخرة، أو صدأ القمح، أو فسيفساء الكسافا). وبعيداً عن تطبيقات الهاتف، فإن الطائرات بدون طيار والكاميرات المثبتة على الجرارات ذات أجهزة الاستشعار المتعددة الأطياف والفائقة الطيفية تلتقط ضغوطاً غير مرئية للعين البشرية، لأن النباتات المريضة تعكس الضوء القريب من الأشعة تحت الحمراء بشكل مختلف قبل ظهور الأعراض المرئية. مؤشرات الغطاء النباتي مثل NDVI تحدد هذا الأمر. والهدف من ذلك هو العلاج المبكر والموضعي: حيث أن رش المناطق المتضررة فقط يوفر المال ويقلل من استخدام المبيدات الحشرية. تتمثل إحدى العقبات الرئيسية في العالم الحقيقي في أن النماذج المدربة في المختبر غالبًا ما تتعثر في صور ميدانية فوضوية ذات إضاءة وخلفيات وأعراض متداخلة متنوعة.
البصيرة الفنية
تستخدم معظم الأنظمة شبكات CNN أو محولات الرؤية لتصنيف الصور، وفي كثير من الأحيان مع نقل التعلم - بدءًا من نموذج تم تدريبه مسبقًا على ImageNet، ثم ضبط صور الأمراض النباتية بحيث تعمل مع بيانات مصنفة محدودة. بالنسبة للاستطلاع الجوي، تلتقط الكاميرات متعددة الأطياف نطاقات الأشعة تحت الحمراء القريبة؛ تشير المؤشرات مثل NDVI (مؤشر الاختلاف النباتي الطبيعي) إلى مناطق المظلة المجهدة. الجزء الصعب هو تغيير المجال: يجب أن يعمم النموذج الذي يتم تدريبه على إجازة مختبرية نظيفة على الظروف الميدانية المزدحمة، لذا فإن زيادة البيانات وبيانات التدريب المجمعة ميدانيًا أمران ضروريان.
التأثير الاستراتيجي
خيارات البناء
يحدد التصميم على مستوى التطبيق ما إذا كان الذكاء الاصطناعي سيحسن النتائج الحقيقية.
الفريق وسير العمل
يؤدي التكامل الجيد لسير العمل إلى تحقيق مكاسب إنتاجية يمكن للمستخدمين الوثوق بها.
المخاطر والسلامة
تعمل حالات الاستخدام ذات النطاق الجيد على تقليل إجهاد التغيير ومخاطر التنفيذ.
مستقبل الذكاء الاصطناعي في تشخيص أمراض المحاصيل
ويتقارب التشخيص مع العمل: فالطائرات بدون طيار والرشاشات الذكية سوف تكتشف الأمراض وتعالجها في نفس الوقت، ولن تستخدم المواد الكيميائية إلا عند الحاجة. توقع وجود نماذج حافة على الجهاز بحيث تعمل التطبيقات دون الاتصال بالإنترنت في المناطق الريفية ذات الاتصال المنخفض، والذكاء الاصطناعي متعدد الوسائط الذي يدمج الصور مع الطقس والتربة وبيانات الأقمار الصناعية للتنبؤ بتفشي المرض قبل ظهور الأعراض. وسيقدم مستشارو الذكاء الاصطناعي التوليدي للمزارعين إرشادات علاجية بسيطة باللغات المحلية، وستقوم شبكات الإنذار المبكر العالمية بتتبع الآفات ومسببات الأمراض المهاجرة مثل صدأ القمح عبر الحدود.
التنفيذ في العالم الحقيقي
تتيح تطبيقات الهواتف الذكية مثل بلانتكس للمزارعين تصوير ورقة الشجر والحصول على تشخيص فوري للمرض بالإضافة إلى نصائح علاجية.
تقوم الطائرات بدون طيار المزودة بكاميرات متعددة الأطياف بحساب خرائط مؤشر الغطاء النباتي للفرق (NDVI) لتحديد البقع المريضة أو المجهدة في الحقل قبل ظهور الأعراض بالعين المجردة.
تقوم مجموعة بيانات PlantVillage بتدريب شبكات CNN التي تكتشف أمراضًا مثل لفحة الطماطم المتأخرة ولفحة البطاطس المبكرة من صور الأوراق.
يستخدم الباحثون الذكاء الاصطناعي لتتبع تفشي فسيفساء الكسافا وصدأ القمح في أفريقيا وآسيا، وتنبيه المزارعين إلى التحرك مبكرًا.
المخاطر والدرابزين
يمكن أن تؤدي أتمتة عملية معطلة إلى تضخيم المشاكل الموجودة.
قد تقوم الفرق بالإفراط في أتمتة وإزالة الحكم البشري المطلوب.
يمكن أن تنحرف الجودة إذا لم يتم تقييم المخرجات بشكل مستمر.
خارطة طريق التنفيذ
قم بتخطيط سير العمل الحالي وحدد خطوة الاحتكاك الأعلى.
تحديد نقاط التفتيش البشرية قبل الأتمتة الكاملة.
تدريب المستخدمين على المطالبات ومسارات التصعيد ومعايير الجودة.
تتبع النتائج على مستوى المهمة لتأكيد القيمة المستدامة.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Crop Disease Diagnosis quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
الذكاء الاصطناعي في التنبؤ بإنتاجية المحاصيل
الأسئلة المتداولة
What is AI in Crop Disease Diagnosis?
يحدد الذكاء الاصطناعي في تشخيص أمراض المحاصيل الأمراض النباتية من خلال صور الأوراق، مما يساعد المزارعين على التصرف قبل انتشار المرض. وهذا أمر مهم لأن الأمراض تدمر ما يقدر بنحو 20-40% من إنتاجية المحاصيل العالمية كل عام.
ما هو أسلوب الذكاء الاصطناعي الأكثر شيوعًا لتشخيص أمراض المحاصيل من خلال صورة الأوراق؟
تقوم شبكات CNN (ومحولات الرؤية) بتصنيف المرض من خلال تعلم الأنماط المرئية من العديد من صور الأوراق الموسومة.
لماذا تعتبر أجهزة الاستشعار متعددة الأطياف والأشعة تحت الحمراء القريبة مفيدة للكشف عن الأمراض؟
يؤدي إجهاد النبات إلى تغيير انعكاس الأشعة تحت الحمراء القريبة في وقت مبكر، لذلك يمكن لهذه المستشعرات التقاط المرض قبل أن تتمكن العين البشرية من التقاطه.
ما الذي يقيسه مؤشر NDVI؟
يجمع NDVI (مؤشر الاختلاف الطبيعي للغطاء النباتي) بين النطاقات الحمراء والأشعة تحت الحمراء القريبة لقياس صحة المظلة وإجهادها.
ما هو "تحول المجال" الذي يمثل عقبة رئيسية أمام نماذج أمراض المحاصيل؟
غالبًا ما تواجه النماذج المدربة على الصور المعملية النظيفة صعوبة في التعامل مع الصور الميدانية التي تحتوي على إضاءة وخلفيات وأعراض متداخلة متنوعة.
لماذا يستخدم التعلم النقلي بشكل شائع في تشخيص أمراض المحاصيل؟
يعيد تعلم النقل استخدام الميزات من نموذج كبير تم تدريبه مسبقًا، مما يقلل من مقدار البيانات النباتية المصنفة المطلوبة.