بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
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.
وعادةً ما ينطوي التنميط الظاهري للنباتات على ملاحظات بصرية يدوية، وهو ما قد يستغرق وقتًا طويلاً ويتطلب عمالة كثيفة. يمكن للرؤية الحاسوبية، وهي فرع من فروع الذكاء الاصطناعي (AI)، أن تعيد ابتكار طريقة دراستنا للنباتات. فباستخدام الرؤية الحاسوبية في التنميط الظاهري للنباتات، يمكننا detect النباتات وتحليلها تلقائيًا من الصور أو مقاطع الفيديو، مما يحسن بشكل كبير من السرعة والاتساق والدقة.
على سبيل المثال، نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 معالجة كميات هائلة من بيانات النباتات المرئية الملتقطة بواسطة الطائرات بدون طيار أو الروبوتات الأرضية أو الأجهزة المحمولة باليد. وبفضل دعمه لمختلف مهام الرؤية الحاسوبية، يمكن استخدام YOLO11 لتحليل خصائص النباتات المختلفة في الصور ومقاطع الفيديو.
في هذا المقال، سنلقي نظرة فاحصة على التحديات التي تواجه التنميط الظاهري التقليدي للنباتات ونستكشف 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.
الشكل 1. باحث يقيس ارتفاع النبات باستخدام مسطرة.
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 البيانات المرئية 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. وأخيراً، يستخرج تحليل الصور معلومات ذات مغزى من الصور المعالجة باستخدام مهام رؤية حاسوبية مختلفة مثل اكتشاف الأجسام وتجزئة النماذج. يمكن استخدام نماذج مثل YOLO11 لتحليل الصور هذا ودعم مثل هذه المهام.
الشكل 2. يمكن استخدام YOLO11 detect الخضروات في الحقل.
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 الطيفية: تلتقط هذه التقنية نطاقًا واسعًا من النطاقات الطيفية خارج الطيف المرئي. وهي توفر معلومات مفصلة عن التركيب الكيميائي للنبات وتساعد في detect عوامل مثل مستويات الكلوروفيل والمحتوى المائي 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.
الشكل 3. التقنيات الرئيسية المستخدمة في توصيف النباتات عالي الإنتاجية. صورة من إعداد المؤلف.
تطبيقات Ultralytics YOLO11 في التنميط الظاهري للنباتات
يتم استخدام نماذج الرؤية الحاسوبية تدريجيًا في التنميط الظاهري للنبات عبر مجموعة واسعة من المهام. من عدّ الأوراق إلى التحليل المورفولوجي التفصيلي، تعمل هذه التقنيات على تغيير كيفية فهمنا لصحة النبات وإدارتها. دعونا نستعرض بعض التطبيقات الواقعية التي يمكن أن تساعد فيها نماذج مثل YOLO11 في التنميط الظاهري للنبات.
عدّ الأوراق وتقدير الجفاف باستخدام YOLO11
عندما يتم دمج نماذج الرؤية مثل YOLO11 مع الطائرات بدون طيار، يمكن استخدامها لتحليل الخصائص المختلفة للنباتات في الوقت الفعلي. تساعد قدرة YOLO11على detect السمات الصغيرة في الصور الجوية عالية الدقة، مثل أطراف الأوراق، الباحثين والمزارعين على track مراحل نمو النباتات بدقة أكبر من الطرق اليدوية التقليدية.
على سبيل المثال، يمكن استخدام دعم YOLO11 للكشف عن الكائنات لتحديد الاختلافات بين نباتات الأرز التي تتحمل الجفاف والنباتات الحساسة للجفاف من خلال حساب عدد الأوراق المرئية. وغالباً ما ترتبط الإشارات المرئية مثل عدد الأوراق بالسمات الأعمق، مثل الكتلة الحيوية للنبات ومرونته.
الكشف عن الزهور باستخدام YOLO11
يعد اكتشاف الأزهار وعدها من الجوانب المثيرة للاهتمام في التنميط الظاهري للنبات، خاصة فيما يتعلق بالمحاصيل التي ترتبط فيها كمية الأزهار ارتباطًا وثيقًا بإمكانية الإنتاج. وعلى وجه الخصوص، يمكن استخدام YOLO11 detect التراكيب الزهرية المختلفة. من خلال أتمتة عملية الكشف عن الأزهار، يمكن للمزارعين والباحثين اتخاذ قرارات أسرع تعتمد على البيانات المتعلقة بتوقيت التلقيح وتخصيص الموارد وصحة المحاصيل بشكل عام.
اكتشاف الأمراض النباتية باستخدام الذكاء الاصطناعي و YOLO11
يُعد اكتشاف الأمراض النباتية جزءًا مهمًا من مراقبة صحة المحاصيل. باستخدام إمكانات تصنيف الصور في YOLO11يمكن تصنيف صور المحاصيل لتحديد العلامات المبكرة للأمراض. يمكن أيضًا دمج YOLO11 في أجهزة مثل الطائرات بدون طيار أو تطبيقات الهاتف المحمول أو الروبوتات الحقلية للكشف الآلي عن الأمراض. يتيح ذلك للمزارعين اتخاذ إجراءات في الوقت المناسب ضد تفشي الأمراض، مما يقلل من خسارة المحاصيل ويقلل من استخدام المبيدات الحشرية.
على سبيل المثال، يمكن تدريب YOLO11 على classify صور أوراق العنب التي قد تظهر عليها علامات مرض لفافة أوراق العنب. يتعلم النموذج من الأمثلة المصنفة التي تغطي مراحل المرض المختلفة، مثل الأوراق السليمة، وتغير اللون الخفيف، والأعراض الشديدة. يساعد YOLO11 مزارعي العنب على detect الإصابات مبكرًا واتخاذ قرارات أكثر استنارة بشأن العلاج، وذلك من خلال التعرف على الأنماط البصرية المميزة مثل تغيرات اللون وتغير لون الأوردة.
الشكل 4. أمثلة على كيفية ظهور مرض التفاف أوراق العنب.
مزايا استخدام YOLO11 في التنميط الظاهري للنباتات
فيما يلي بعض فوائد استخدام نماذج الرؤية الحاسوبية مثل YOLO11 مقارنةً بطرق التنميط الظاهري التقليدية للنباتات:
قابلية التوسع والفعالية من حيث التكلفة: يمكن أن تقلل أتمتة العمليات باستخدام YOLO11 من الحاجة إلى العمل اليدوي، مما يجعلها حلاً قابلاً للتطوير وفعالاً من حيث التكلفة للعمليات الزراعية واسعة النطاق.
تنبيهات في الوقت الحقيقي: يوفر تكامل 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.
تساعد الرؤية الحاسوبية في التنميط الظاهري للنباتات على أتمتة قياس النباتات وتحليلها. يمكن لنماذج الرؤية بالذكاء الاصطناعي مثل YOLO11 أن تقلل من العمل اليدوي وتحقق نتائج أفضل وتسهل مراقبة المحاصيل على نطاق واسع. يعد التحول من الأساليب التقليدية إلى الأنظمة الذكية المعتمدة على التكنولوجيا خطوة مهمة نحو مواجهة 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.
