LKNet يُحدث ثورة في عد الحبوب في أشجار الأرز باستخدام تعلم عميق دقيق عبر مراحل النمو

أظهر نموذج التعلم العميق الجديد، المُسمى LKNet، أداءً متميزًا في عد حزم الأرز بدقة عالية عبر مراحل نمو مختلفة، مُحدّدًا معيارًا جديدًا في مجال المراقبة الزراعية الدقيقة. تم تطوير هذا النموذج ضمن دراسة نُشرت في مجلة Plant Phenomics بقيادة الباحث سونغ تشين من الأكاديمية الصينية للعلوم الزراعية، ويُعد تطورًا جوهريًا في تحليل الصور الجوية غير المأهولة (UAV) لمحاصيل الأرز. تعتمد الطرق التقليدية لعد حزم الأرز على نماذج الكشف أو التكاثر أو تحديد المواقع، لكنها تواجه تحديات كبيرة في المدرجات المزدحمة، حيث تؤثر التداخلات بين الحزم وتنوع هيكلها عبر المراحل النموية على دقة النتائج. كما أن نماذج التكاثر حساسة للضوضاء الخلفية، بينما تقتصر نماذج تحديد المواقع مثل P2PNet على مجالات رؤية محدودة، ما يقلل من دقتها في المشاهد المعقدة. لحل هذه المشكلات، تم تطوير LKNet بدمج كتل تلافيفية ذات حجم كبير (LKconv) مع دالة خسارة مُحسَّنة، ما يسمح للنموذج بتكيف ديناميكي مع التغيرات في حجم الحزم وتوزيعها. كما يُعزز النموذج قدرته على تمييز الحزم حتى في حالات التداخل الشديد أو التغطية الجزئية، من خلال تحسين تركيزه على المناطق المهمة وتقليل التأثيرات الخلفية. أُختبر LKNet على مجموعة متنوعة من البيانات، بما في ذلك بيانات جماعية عالية الكثافة (SHTech PartA وPartB)، وبيانات حزم أرز مجمعة من مزارع حقيقية باستخدام طائرات مسيرة. أظهر النموذج أداءً متفوقًا، حيث حقق خطأً متوسطًا مطلقًا (MAE) قدره 48.6 وخطأً جذريًا متوسطًا (RMSE) قدره 77.9 على بيانات PartA، متفوقًا على نماذج مثل P2PNet وPSDNN_CHat. وفي بيانات حزم الأرز، بلغ RMSE 1.76 وقيمة تكافؤ (R²) تصل إلى 0.965، ما يدل على دقة عالية جدًا، خاصةً مقارنةً بنماذج أخرى مُصممة للكائنات الأكبر حجمًا مثل سعف الذرة. أظهرت النتائج أيضًا أن النموذج يحافظ على أداء ممتاز عبر أنواع مختلفة من الحزم (كثيفة، متوسطة، مفتوحة)، مع قيم R² تجاوزت 0.98 عند الارتفاعات الميدانية (7 أمتار). ومع ذلك، لوحظ انخفاض طفيف في الدقة في المراحل المتأخرة من النمو بسبب زيادة التغطية والاختلافات في الشكل. أثبتت التجارب التحليلية (Ablation Studies) أن دمج الكتل التلافيفية الكبيرة (LKconv) قلل من عدد المعلمات بنسبة تقارب 50% وخفض RMSE من 2.821 إلى 0.846، مع تحسين الأداء. كما أظهرت نماذج الكتل الكبيرة المتسلسلة مع آلية الانتباه أفضل النتائج، حيث وصلت R² إلى 0.993. كما أظهرت خرائط التنشيط الطبقي (Class Activation Maps) قدرة متفوقة على تحديد مواقع الحزم، خصوصًا في المشاهد المعقدة، حيث تمدد مجال التركيز وتم تقليل التأثيرات غير المرغوب فيها. يُعد LKNet خطوة مهمة نحو تطوير أنظمة مراقبة زراعية ذكية، تُمكن من التنبؤ بالمحصول، ودعم اختيار الأصناف، وتحليل السمات الوراثية، دون الحاجة إلى عمليات يدوية مكلفة وطويلة. يُعد هذا النموذج نموذجًا متكاملًا يجمع بين الدقة، الكفاءة، والمرونة، مما يجعله أداة قوية لمستقبل الزراعة الدقيقة.