اكتشاف الأجسام لمكافحة الآفات

تُفقد سنويًا نسبة تقارب 40% من المحاصيل العالمية بسبب الآفات والأمراض، ما يسلط الضوء على التحديات الجسيمة التي يواجهها المزارعون حول العالم. وغالبًا ما تعجز الطرق التقليدية للكشف عن الآفات، مثل التفقد اليدوي والمصائد اللاصقة، عن رصد الإصابات في وقت مبكر بما يكفي، ما يؤدي إلى مزيد من الأضرار، ويهدد الإمدادات الغذائية، ويزيد استخدام المبيدات الحشرية التي قد تضر بالبيئة وصحة الإنسان على حد سواء. وتقدم الإدارة المدعومة بالذكاء الاصطناعي للآفات حلًا واعدًا، إذ تتيح الكشف المبكر والعلاج الأكثر استهدافًا.

لمواجهة هذه التحديات، يتبنى القطاع الزراعي تقنيات متقدمة مثل الرؤية الحاسوبية في الزراعة، لتغيير أساليب اكتشاف الآفات ومكافحتها. وتساعد نماذج اكتشاف الكائنات، مثل Ultralytics YOLOv8، المزارعين على تحديد الآفات بدقة أكبر، ما يتيح لهم حماية محاصيلهم على نحو أفضل.

سنستكشف في هذه المدونة دور الرؤية الحاسوبية في الكشف عن الآفات، وكيف يمكن لاستخدام نماذج مثل Ultralytics YOLOv8 أن يحقق ابتكارات في الزراعة. وسنتناول الفوائد والتحديات وما يحمله المستقبل لإدارة الآفات في الزراعة.

كيف تعمل الرؤية الحاسوبية في الكشف عن الآفات؟#

يتطلب القطاع الزراعي مراقبة مستمرة للمحاصيل لضمان سلامتها وعدم تضررها من الآفات أو الأمراض أو العوامل البيئية. وهذا يضع المزارعين في مواجهة تحديات تبدأ بالظروف الجوية ولا تنتهي بالآفات. وغالبًا ما تقصر الأساليب التقليدية في مكافحة الآفات، ما قد يؤدي إلى خسائر في المحاصيل. وهنا يمكن للذكاء الاصطناعي (AI) والرؤية الحاسوبية تقديم حلول عملية لسير العمل اليومي في المزرعة.

من خلال دمج نماذج الرؤية الحاسوبية في كاميرات عالية الدقة، يمكن للمزارعين مراقبة الحقول تلقائيًا، باستخدام تحليل الصور ومقاطع الفيديو آنيًا للكشف عن الحشرات وتقييم صحة المحاصيل وتحديد التهديدات المحتملة. وتحلل هذه الأنظمة اللقطات لرصد الأنماط، والتعرف على الحشرات استنادًا إلى مجموعات البيانات التي دُرّبت عليها مسبقًا.

باستخدام تقنيات مثل اكتشاف الكائنات والتصنيف، تستطيع الرؤية الحاسوبية تحديد الآفات ومكافحتها بفعالية أكبر. تتضمن التقنية الأولى اكتشاف وجود الآفات ومواقعها الدقيقة ضمن صورة أو فيديو، بينما تشمل الثانية تصنيف الآفات المحددة إلى أنواع أو فئات معينة. وتتيح هاتان التقنيتان معًا وضع استراتيجيات أدق وأكثر استهدافًا لمكافحة الآفات.

مع أخذ ذلك في الحسبان، لنلقِ نظرة عن كثب على كيفية عمل كل من هذه المهام في اكتشاف الآفات وتصنيفها.

يمكن استخدام كشف الأجسام للعثور على الآفات داخل صورة وتحديد موقعها بدقة. وتفيد هذه التقنية عند الحاجة إلى مسح حقل أو دفيئة بسرعة وتحديد مواقع الآفات لمعالجتها على النحو المناسب. فعلى سبيل المثال، يمكن استخدام كشف الأجسام لتحديد المناطق التي يكثر فيها نشاط الآفات، ما يتيح اتخاذ إجراءات موجهة.

الشكل 1. يكتشف Ultralytics YOLOv8 الآفات في صورة.

التصنيف: بعد اكتشاف الحشرات، يساعد التصنيف على تحديد أنواع الآفات بدقة. فعلى سبيل المثال، يمكن تدريب نماذج الرؤية الحاسوبية مثل Ultralytics YOLOv8 باستخدام مجموعات بيانات ضخمة للتعرف على أنواع الحشرات المختلفة. ويساعد ذلك المزارعين على تحديد المبيدات الأكثر فاعلية، واتخاذ قرارات أكثر استنارة، والحد من أضرار المحاصيل واستخدام المواد الكيميائية على حد سواء.

الشكل 2. يصنف Ultralytics YOLOv8 الآفات في صورة.

كيف تستخدم الدفيئات الذكية الرؤية الحاسوبية للكشف المبكر عن الآفات؟#

يمكن استخدام الرؤية الحاسوبية أيضًا في المساحات الأصغر، مثل الدفيئات. وفي الواقع، تُحدث الدفيئات الذكية تحولًا في الزراعة داخل البيوت المحمية، من خلال استخدام الرؤية الحاسوبية والذكاء الاصطناعي لمراقبة المحاصيل عن كثب والكشف عن الآفات آنيًا. وتُركب في هذه الدفيئات كاميرات عالية الدقة حول النباتات، لتلتقط صورًا للمحاصيل باستمرار وفي الوقت الفعلي. ثم يحلل نموذج الرؤية الحاسوبية المدرّب مسبقًا هذه الصور، ويمكنه اكتشاف الآفات في مراحل مبكرة، ما يتيح للمزارعين التحرك سريعًا قبل أن تُلحق الآفات أضرارًا جسيمة.

تقدم دراسة «الكشف المبكر عن الآفات في الدفيئات باستخدام التعلم الآلي» مثالًا جيدًا على تطبيق ذلك. وفي هذا النظام، توضع كاميرات في أنحاء الدفيئة، وتُستخدم تقنية الذكاء الاصطناعي للتعرف على الآفات من الصور. وبدلًا من انتظار ظهور علامات مرئية على انتشار الآفات، يستطيع النظام اكتشافها بمجرد ظهورها في مجال رؤية الكاميرا. وعند رصد حشرة، يرسل النظام تنبيهًا إلى المزارعين، ما يساعدهم على وقف انتشار الآفات قبل تفشيها.

يُظهر النظام دقة عالية في تحديد بعض أنواع الآفات، إذ تصل الدقة إلى 99% لبعض الأنواع بعد التدريب. لكنه يواجه صعوبة في التعرف على الآفات ذات الأشكال أو الأحجام غير المعتادة، أو الموجودة في أوضاع غير طبيعية. وباستخدام هذه التقنية، لا يزال بإمكان المزارعين تقليل كمية المبيدات الحشرية المستخدمة، وحماية محاصيلهم بفعالية أكبر، وممارسة زراعة أكثر استدامة.

الشكل 3. نموذج Ultralytics YOLOv8 مدرّب مسبقًا يكتشف الخنافس ويصنفها مع درجات الثقة. الصورة من المؤلف.

فوائد الذكاء الاصطناعي في الزراعة#

تُحدث الرؤية الحاسوبية فرقًا كبيرًا في طريقة تعامل المزارعين مع الآفات، إذ تقدم مزايا مهمة تجعل مكافحة الآفات أسهل وأكثر فعالية. وفيما يلي فائدتان أساسيتان لاستخدام هذه التقنية في الحقول.

منع انتشار الآفات بالكشف المبكر#

يمكن للرؤية الحاسوبية رصد الآفات مبكرًا، حتى قبل أن تُحدث أضرارًا مرئية. ويتيح هذا الكشف المبكر للمزارعين التحرك بسرعة ومنع انتشار الإصابات إلى مناطق أوسع.

من خلال رصد الآفات عندما تكون أعدادها لا تزال قليلة، يستطيع المزارعون تركيز المعالجة على مناطق محددة، ما يساعد على خفض الاستخدام الإجمالي للمبيدات الحشرية. ويمكن لهذا النهج أيضًا المساعدة في حماية الحشرات النافعة الضرورية لصحة المحاصيل، ودعم استراتيجيات الإدارة المتكاملة للآفات (IPM)، ما يجعل مكافحة الآفات أكثر كفاءة وصداقة للبيئة.

الحد من استخدام المبيدات الحشرية#

تُعد الرؤية الحاسوبية أداة قيّمة للتمييز بين أنواع الآفات المختلفة، حتى المتشابهة منها، مثل أنواع المنّ أو العث المختلفة. وتكتسب هذه الدقة أهمية بالغة، لأن بعض الآفات قد تكون مقاومة لمبيدات حشرية معينة، بينما قد تستجيب آفات أخرى على نحو أفضل لأساليب المكافحة الطبيعية.

من خلال معرفة الآفة التي يواجهونها بدقة، يستطيع المزارعون اختيار المعالجة المناسبة وتحديد طريقة استخدام المواد الكيميائية. وعلى المدى الطويل، يمكن لهذا النهج المستهدف تقليل احتمالات تطور مقاومة الآفات للمبيدات الحشرية، والمساعدة في الحفاظ على سلامة البيئة مع ضمان مكافحة الآفات بفعالية.

تحديات الذكاء الاصطناعي في مكافحة الآفات#

على الرغم من المزايا الكبيرة التي يوفرها الكشف عن الآفات باستخدام الرؤية الحاسوبية، لا تزال هناك تحديات ينبغي معالجتها. فلنلقِ نظرة على بعض العيوب الرئيسية التي قد تؤثر في أدائها.

القدرة على التكيف مع البيئات المختلفة#

يتمثل أحد تحديات استخدام نماذج الرؤية الحاسوبية للكشف عن الآفات في تكييفها للعمل بفعالية في بيئات مختلفة. فقد تختلف المحاصيل كثيرًا بعضها عن بعض، وقد تبدو الآفات بمظهر مختلف بحسب النبات الذي تصيبه. وإضافة إلى ذلك، تختلف ظروف الإضاءة؛ إذ تؤثر أشعة الشمس الطبيعية والطقس الغائم والإضاءة الليلية جميعًا في قدرة النموذج على كشف الآفات. وتجعل هذه العوامل ضمان دقة عمل النموذج في الحقول والظروف المختلفة أمرًا صعبًا. ونتيجة لذلك، غالبًا ما تحتاج النماذج إلى الضبط أو إعادة التدريب للتعامل مع هذه التغييرات، وهو ما قد يستغرق وقتًا ويتطلب مزيدًا من البيانات.

الحاجة إلى موارد حوسبة كبيرة#

قد يتطلب استخدام نماذج الرؤية الحاسوبية لاكتشاف الآفات في الوقت الفعلي قدرًا كبيرًا من القدرة الحاسوبية. ولكي يعمل النموذج بكفاءة، ولا سيما في الحقول الكبيرة أو على أجهزة مثل الطائرات المسيّرة، يحتاج إلى عتاد قوي وأنظمة محسّنة جيدًا. وقد يشكل ذلك تحديًا في البيئات الخارجية، حيث لا تتوفر دائمًا موارد حوسبة قوية. ولضمان سلاسة التشغيل، تحتاج إعدادات كثيرة إلى أجهزة متقدمة أو أنظمة سحابية، ما قد يزيد التكلفة ويتطلب اتصالًا جيدًا بالإنترنت للمراقبة المستمرة.

الحاجة إلى مجموعات بيانات واسعة النطاق#

كما ذُكر أعلاه، يجب تدريب نماذج الرؤية الحاسوبية قبل أن تتمكن من اكتشاف الآفات بدقة. ويتطلب ذلك مجموعات بيانات كبيرة ومتنوعة، ولا سيما للأنواع المحددة من الآفات. فالآفات تختلف في أشكالها وأحجامها، وقد يختلف مظهرها بحسب عوامل مثل مرحلة دورة حياتها والبيئة المحيطة. ولاكتشاف أنواع الآفات المختلفة بدقة، تحتاج النماذج إلى بيانات تدريب واسعة تلتقط هذه الاختلافات. وقد يستغرق بناء مجموعات البيانات هذه وقتًا طويلًا، وقد يتطلب خبرة متخصصة لضمان وسم كل نوع من الآفات بدقة. ومن دون بيانات كافية، قد تكون دقة النموذج وقدرته على التعميم على أنواع الآفات المختلفة محدودتين.

كيف ترسم الطائرات المسيّرة مستقبل الكشف عن الآفات؟#

من المتوقع أن يؤدي الجمع بين الرؤية الحاسوبية والروبوتات والطائرات المسيّرة إلى تغيير طريقة مراقبة الآفات. إذ تستطيع الطائرات المسيّرة المزودة بأنظمة رؤية متقدمة تغطية مساحات زراعية واسعة، ورصد الآفات عن بُعد وتلقائيًا. ويوفر ذلك للمزارعين بيانات آنية تساعدهم على تركيز جهود مكافحة الآفات في الأماكن الأكثر حاجة إليها.

ومن الأمثلة البارزة على ذلك دراسة نشرتها IEEE، استُخدمت فيها طائرات مسيّرة مزودة بنموذج للرؤية الحاسوبية لاكتشاف الآفات في الوقت الفعلي والتخطيط لمسارات محسّنة لرش المبيدات. وقد أسهم هذا النهج في تقليل استخدام المبيدات وتحسين صحة المحاصيل، موضحًا كيف يمكن للطائرات المسيّرة المزودة بالرؤية الحاسوبية توفير مكافحة آفات زراعية أكثر ذكاءً واستهدافًا.

الشكل 4. طائرات مسيّرة مزودة بأنظمة رؤية متقدمة.

أبرز النقاط#

عمومًا، تغير نماذج الرؤية الحاسوبية مثل Ultralytics YOLOv8 أساليب مكافحة الآفات في الزراعة. فمن خلال اكتشاف الآفات مبكرًا، يستطيع المزارعون إيقاف انتشارها وتحديد أنواعها بدقة. وتتيح هذه الدقة تطبيق علاجات مستهدفة، ما يقلل استخدام المبيدات ويدعم صحة المحاصيل وسلامة البيئة.

ومع إضافة الطائرات المسيّرة وأجهزة استشعار إنترنت الأشياء، أصبح بإمكان المزارعين مراقبة الحقول الكبيرة آليًا وفي الوقت الفعلي، ما يجعل إدارة الآفات أكثر كفاءة. ومع تقدم التكنولوجيا، يُتوقع أن تصبح النماذج أسرع وأكثر دقة وأسهل استخدامًا، وأن تسهم في ممارسات زراعية أكثر استدامة وصداقة للبيئة. وتُستخدم بالفعل نماذج أحدث مثل Ultralytics YOLO11 في مكافحة الآفات.

في Ultralytics، نكرس جهودنا لتطوير تقنيات الذكاء الاصطناعي. اكتشف أحدث أعمالنا بزيارة مستودعنا على GitHub. انضم إلى مجتمعنا النشط واكتشف كيف نُحدث تحولًا في قطاعات مثل السيارات ذاتية القيادة والتصنيع!