Ultralytics YOLO11 ورؤية الكمبيوتر في توصيف النباتات الظاهري

تعتبر الزراعة ضرورية لإمداداتنا الغذائية، ويبحث الباحثون دائمًا عن طرق لتحسين العمليات المتعلقة بتحدٍ رئيسي واحد: تغير المناخ. مع اضطراب ظاهرة الاحتباس الحراري للمواسم الزراعية وارتفاع عدد سكان العالم، تزداد الحاجة إلى تطوير محاصيل يمكنها تحمل البيئات المتغيرة باستمرار. يعتبر توصيف النباتات (Plant phenotyping) جزءًا رئيسيًا من هذا البحث.

يتضمن توصيف النبات دراسة خصائص النبات مثل الحجم واللون والنمو وهياكل الجذور. من خلال فهم كيفية تفاعل النباتات مع الظروف المختلفة، يمكننا تحديد أي منها مجهز بشكل أفضل للتعامل مع الجفاف أو الحرارة أو التربة الرديئة. يمكن استخدام هذه البيانات لاتخاذ قرارات بشأن المحاصيل التي يجب تربيتها لتعزيز الإنتاجية الزراعية.

عادةً، يتضمن توصيف النمط الظاهري للنباتات ملاحظات بصرية يدوية، والتي يمكن أن تستغرق وقتًا طويلاً وتتطلب عمالة مكثفة. يمكن لـ رؤية الكمبيوتر، وهي فرع من فروع الذكاء الاصطناعي (AI)، أن تعيد ابتكار الطريقة التي ندرس بها النباتات. باستخدام رؤية الكمبيوتر في توصيف النمط الظاهري للنباتات، يمكننا تلقائيًا اكتشاف النباتات وتحليلها من الصور أو مقاطع الفيديو، مما يحسن السرعة والاتساق والدقة بشكل كبير.

على سبيل المثال، يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 معالجة كميات هائلة من بيانات النباتات المرئية التي تلتقطها الطائرات بدون طيار أو الروبوتات الأرضية أو الأجهزة المحمولة. بفضل دعمه لمهام الرؤية الحاسوبية المختلفة، يمكن استخدام YOLO11 لتحليل خصائص النباتات المختلفة في الصور ومقاطع الفيديو.

في هذه المقالة، سنلقي نظرة فاحصة على التحديات في توصيف النباتات التقليدية واستكشاف كيف تقود نماذج الرؤية الحاسوبية مثل YOLO11 ممارسات زراعية أكثر ذكاءً واستدامة.

ما هو توصيف النمط الظاهري للنبات؟

توصيف النبات هو عملية مراقبة وتحليل الخصائص الفيزيائية والكيميائية الحيوية للنبات. من خلال جمع بيانات مثل ارتفاع النبات ومساحة الأوراق ومعدل النمو والاستجابات للإجهاد، يمكننا الحصول على رؤى قيمة حول كيفية نمو النباتات وتفاعلها مع البيئات المتنوعة. 

تعتبر البيانات التي يتم جمعها من خلال توصيف النباتات ضرورية لتحسين المحاصيل، والتنبؤ بالإنتاجية، وتعزيز القدرة على التكيف مع المناخ. تساعد نقاط البيانات هذه أيضًا المزارعين والخبراء الزراعيين على اختيار أفضل أنواع النباتات أداءً لمزيد من الزراعة أو التربية.

‍

حتى اليوم، تتضمن عملية توصيف النباتات عمومًا طرقًا يدوية. يقوم الباحثون أو المزارعون الخبراء بزيارة الحقول وقياس النباتات فعليًا وتسجيل البيانات يدويًا. على الرغم من قيمتها، تتطلب هذه الطرق الكثير من الجهد البشري. يمكن أن تؤدي أيضًا إلى تناقضات، حيث قد يلاحظ ويفسر الأشخاص المختلفون سمات النبات بشكل مختلف. 

ومع ذلك، يركز النمط الظاهري الحديث أو النمط الظاهري النباتي عالي الإنتاجية على الاتساق و الدقة وجمع البيانات غير المدمرة. تتم مراقبة النباتات باستخدام أدوات متقدمة مثل كاميرات RGB (كاميرات الألوان القياسية) وأجهزة الاستشعار فائقة الطيف (الأجهزة التي تلتقط نطاقًا واسعًا من معلومات الألوان، حتى خارج ما يمكن للعين رؤيته) وأنظمة LiDAR (الكشف عن الضوء وتحديد المدى) (الماسحات الضوئية القائمة على الليزر التي تنشئ خرائط ثلاثية الأبعاد مفصلة) لالتقاط بيانات عالية الدقة دون إزعاج النباتات فعليًا.

عند دمجه مع الذكاء الاصطناعي ورؤية الكمبيوتر، يمكن أن تساعد هذه الطرق غير الجراحية في تحسين دقة واتساق توصيف النمط الظاهري للنبات بشكل كبير.

محددات النمط الظاهري التقليدي للنبات

في حين أن طرق توصيف النباتات التقليدية أساسية، إلا أنها تعاني من العديد من القيود والتحديات. فيما يلي بعض عيوبها الرئيسية:

• الطرق اليدوية: اعتمدت الطرق التقليدية على الجهد البشري، واستُخدمت أدوات مادية مثل المساطر والفرجار. كانت تستغرق وقتًا طويلاً وتتسم بالذاتية، خاصة في الحقول الزراعية الكبيرة.
  ‍
• أخذ العينات المدمرة: غالبًا ما تتضرر النباتات أو يتم اقتلاعها لدراسة الخصائص الداخلية للنبات. يجعل أخذ العينات المدمرة من المستحيل مراقبة كيفية استجابة النباتات على فترات زمنية مختلفة.
  ‍
• صعوبة التقاط التغييرات الديناميكية: غالبًا ما تلتقط الطرق التقليدية لحظة واحدة في الوقت المناسب، وتفقد تطور سمات النبات بمرور الوقت.

يركز توصيف النباتات عالي الإنتاجية على أتمتة توصيف النباتات لجعل القياسات أكثر دقة والحفاظ على اتساقها. يفتح هذا الأسلوب أبوابًا جديدة للابتكار الزراعي والزراعة الذكية.

دور رؤية الحاسوب في توصيف النباتات الظاهرية

الرؤية الحاسوبية هي تقنية تمكن الآلات من رؤية وتفسير المعلومات المرئية من العالم الحقيقي، على غرار الطريقة التي يفعل بها البشر. وهي تنطوي على ثلاث مراحل رئيسية: الحصول على الصور ومعالجتها وتحليلها. 

أولاً، يتضمن الحصول على الصور التقاط بيانات مرئية باستخدام أجهزة استشعار مختلفة، مثل الكاميرات والطائرات بدون طيار. بعد ذلك، تعمل معالجة الصور على تحسين جودة ووضوح الصور باستخدام تقنيات مثل تقليل الضوضاء وتصحيح الألوان. أخيرًا، يستخرج تحليل الصور معلومات مفيدة من الصور المعالجة باستخدام مهام رؤية الحاسوب المختلفة مثل اكتشاف الكائنات و تجزئة المثيلات. يمكن استخدام نماذج مثل YOLO11 لتحليل الصور هذا ودعم هذه المهام. 

‍

التقنيات الأخرى المشاركة في توصيف النباتات عالي الإنتاجية

بالإضافة إلى الرؤية الحاسوبية، يعتمد توصيف النباتات عالي الإنتاجية على العديد من التقنيات المبتكرة لالتقاط صور ومقاطع فيديو تفصيلية للنباتات. فيما يلي بعض هذه الأدوات الرئيسية وكيف تعزز جمع البيانات:

• تصوير RGB (RGB imaging): تُستخدم كاميرات RGB القياسية بشكل شائع لالتقاط صور للنباتات. يعد تصوير RGB أمرًا أساسيًا للتحليل الظاهري وغالبًا ما يكون بمثابة الخطوة الأولية في التقييمات الأكثر تعقيدًا.
  ‍
• التصوير فائق الطيف: تلتقط هذه التقنية نطاقًا واسعًا من النطاقات الطيفية يتجاوز الطيف المرئي. يوفر معلومات مفصلة حول التركيب الكيميائي للنبات ويساعد في الكشف عن عوامل مثل مستويات الكلوروفيل ومحتوى الماء ونقص المغذيات.
  ‍
• التصوير الحراري: تقيس الكاميرات الحرارية الأشعة تحت الحمراء المنبعثة من النباتات، مما يوفر رؤى حول درجة حرارة السطح. هذه الطريقة غير الغازية مفيدة لمراقبة صحة النباتات وتحديد المشكلات المحتملة في وقت مبكر.
  ‍
• التصوير ثلاثي الأبعاد: تقوم كاميرات العمق وتقنية الليدار بإنشاء نماذج ثلاثية الأبعاد للنباتات. يعتبر التصوير ثلاثي الأبعاد ضروريًا لتحليل الهياكل النباتية المعقدة وفهم كيف تؤثر الاختلافات على النمو والإنتاجية.

‍

تطبيقات Ultralytics YOLO11 في توصيف النباتات الظاهري (Plant Phenotyping)

تستخدم نماذج رؤية الحاسوب (Computer vision models) تدريجيًا في توصيف النباتات عبر مجموعة واسعة من المهام. من عد الأوراق إلى التحليل المورفولوجي التفصيلي، تعمل هذه التقنيات على تغيير الطريقة التي نفهم بها وندير بها صحة النبات. دعنا نتناول بعض التطبيقات الواقعية التي يمكن أن تساعد فيها نماذج مثل YOLO11 في توصيف النباتات.

عد الأوراق وتقدير الجفاف باستخدام YOLO11

عندما يتم دمج نماذج الرؤية مثل YOLO11 مع الطائرات بدون طيار (UAVs)، يمكن استخدامها لتحليل الخصائص المختلفة للنباتات في الوقت الفعلي. تساعد قدرة YOLO11 على اكتشاف الميزات الصغيرة في الصور الجوية عالية الدقة، مثل أطراف الأوراق، الباحثين والمزارعين على تتبع مراحل نمو النبات بدقة أكبر من الطرق اليدوية التقليدية.

على سبيل المثال، يمكن استخدام دعم YOLO11 لاكتشاف الكائنات لتحديد الاختلافات بين نباتات الأرز المتحملة للجفاف والحساسة للجفاف عن طريق حساب عدد الأوراق المرئية. غالبًا ما ترتبط الإشارات المرئية مثل عدد الأوراق بسمات أعمق، مثل الكتلة الحيوية للنبات والمرونة. 

اكتشاف الزهور باستخدام YOLO11

يعد اكتشاف الزهور وعدها من الجوانب المهمة في توصيف النباتات، خاصة فيما يتعلق بالمحاصيل حيث ترتبط كمية الإزهار ارتباطًا وثيقًا بإمكانية الإنتاج. على وجه الخصوص، يمكن استخدام YOLO11 لاكتشاف الهياكل الزهرية المختلفة. من خلال أتمتة عملية اكتشاف الزهور، يمكن للمزارعين والباحثين اتخاذ قرارات أسرع تعتمد على البيانات فيما يتعلق بتوقيت التلقيح وتخصيص الموارد والصحة العامة للمحاصيل.

اكتشاف أمراض النباتات باستخدام الذكاء الاصطناعي و YOLO11

يعد الكشف عن أمراض النباتات جزءًا مهمًا من مراقبة صحة المحاصيل. باستخدام إمكانات تصنيف الصور في YOLO11، يمكن تصنيف صور المحاصيل لتحديد العلامات المبكرة للمرض. يمكن أيضًا دمج YOLO11 في أجهزة مثل الطائرات بدون طيار أو تطبيقات الهاتف المحمول أو الروبوتات الميدانية للكشف الآلي عن الأمراض. يتيح ذلك للمزارعين اتخاذ إجراءات في الوقت المناسب ضد تفشي الأمراض، مما يقلل من خسائر المحاصيل ويقلل من استخدام المبيدات.

على سبيل المثال، يمكن تدريب YOLO11 بشكل مخصص لتصنيف صور أوراق العنب التي قد تظهر عليها علامات مرض التفاف أوراق العنب. يتعلم النموذج من الأمثلة المصنفة التي تغطي مراحل مختلفة من المرض، مثل الأوراق السليمة، وتغير اللون الطفيف، والأعراض الشديدة. من خلال التعرف على الأنماط المرئية المميزة مثل تغيرات اللون وتغير لون الأوردة، يساعد YOLO11 مزارعي العنب على اكتشاف العدوى مبكرًا واتخاذ قرارات أكثر استنارة بشأن العلاجات.

‍

مزايا استخدام YOLO11 في توصيف النباتات

إليك بعض فوائد استخدام نماذج رؤية الكمبيوتر مثل YOLO11 مقارنةً بالطرق التقليدية لتوصيف النباتات:

• قابلية التوسع وفعالية التكلفة: يمكن أن يؤدي أتمتة العمليات باستخدام YOLO11 إلى تقليل الحاجة إلى العمالة اليدوية، مما يجعلها حلاً قابلاً للتطوير وفعالاً من حيث التكلفة للعمليات الزراعية واسعة النطاق.
  ‍
• تنبيهات في الوقت الفعلي: يوفر دمج الرؤى التي تم جمعها باستخدام YOLO11 مع الأنظمة الآلية إشعارات فورية حول المشكلات المحتملة، مما يدعم اتخاذ القرارات السريعة.
  ‍
• ممارسات الزراعة المستدامة: من خلال تقليل التدخلات اليدوية واستخدام المواد الكيميائية، تساهم الرؤية الحاسوبية في زراعة أكثر صداقة للبيئة واستدامة.

تحديات الرؤية الحاسوبية في توصيف النباتات

في حين أن رؤية الحاسوب تقدم العديد من المزايا عندما يتعلق الأمر بالتوصيف الظاهري للنباتات، فمن المهم أن تضع في اعتبارك القيود المتعلقة بتنفيذ هذه الأنظمة. فيما يلي بعض المخاوف الرئيسية:

• متطلبات مجموعة البيانات: تتطلب نماذج التدريب مجموعات بيانات كبيرة ومتنوعة ومصنفة بشكل جيد، وهو ما قد يكون صعبًا ويستغرق وقتًا طويلاً لجمعه، خاصة بالنسبة للمحاصيل النادرة أو الظروف الفريدة.
  ‍
• مخاوف تتعلق بالخصوصية: مع ازدياد شيوع الطائرات بدون طيار والكاميرات الذكية في الحقول، تثار تساؤلات حول من يملك البيانات، وكيف يتم تخزينها، وما إذا كانت تستخدم دون موافقة مناسبة.
  ‍
• الظروف البيئية: يمكن أن يؤثر تغير الإضاءة والطقس وفوضى الخلفية على دقة التحليل المرئي في البيئات الزراعية غير المتوقعة.

التحرك نحو توصيف النمط الظاهري للنباتات عالي الإنتاجية

يتجه مستقبل توصيف النباتات الظاهري نحو أنظمة ذكية ومترابطة تعمل معًا لتقديم صورة أوضح لصحة المحاصيل ونموها. أحد الاتجاهات المثيرة هو استخدام أجهزة استشعار متعددة في وقت واحد. من خلال الجمع بين البيانات من مصادر مختلفة، يمكننا الحصول على فهم أغنى وأكثر دقة لما يحدث للنبات.

تُظهر اتجاهات السوق أيضًا اهتمامًا متزايدًا بطرق تحديد النمط الظاهري المتقدمة للنباتات. تبلغ قيمة سوق تحديد النمط الظاهري للنباتات العالمي حوالي 311.73 مليون دولار هذا العام (2025) ومن المتوقع أن يصل إلى 520.80 مليون دولار بحلول عام 2030. 

‍

النقاط الرئيسية

تساعد الرؤية الحاسوبية في توصيف النباتات على أتمتة قياس النباتات وتحليلها. يمكن لنماذج Vision AI مثل YOLO11 تقليل العمل اليدوي وتحقيق نتائج أفضل وتسهيل مراقبة المحاصيل على نطاق واسع. يمثل التحول من الأساليب التقليدية إلى الأنظمة الذكية التي تعتمد على التكنولوجيا خطوة مهمة نحو معالجة التحديات العالمية مثل تغير المناخ ونقص الغذاء والزراعة المستدامة.

للمضي قدمًا، فإن دمج الرؤية الحاسوبية مع التقنيات الأخرى مثل الذكاء الاصطناعي والروبوتات وأجهزة الاستشعار الذكية سيجعل الزراعة أكثر ذكاءً وكفاءة. مع تقدم الذكاء الاصطناعي، فإننا نقترب من مستقبل يمكننا فيه مراقبة النباتات بسلاسة وضبط نموها بدقة وتوفير الرعاية اللازمة.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد حول ابتكارات الذكاء الاصطناعي. اكتشف أحدث التطورات في مجالات مثل الذكاء الاصطناعي في التصنيع و الرؤية الحاسوبية في الرعاية الصحية في صفحات الحلول الخاصة بنا. تحقق من خيارات الترخيص الخاصة بنا وابدأ اليوم مع الرؤية الحاسوبية!