ViTaL: إطار متقدم لتحديد الأمراض النباتية تلقائيًا في صور الأوراق باستخدام نماذج الرؤية التحويلية والتصور الخطي لتقليل الميزات

يُقدّم هذا البحث إطارًا قويًا للكشف التلقائي عن الأمراض في صور أوراق النباتات. يشمل الإطار عدة مراحل رئيسية لتعزيز دقة التعرف على الأمراض. في مرحلة ما قبل المعالجة، يتم استخدام تقنية إعادة تشكيل الصور المصغّرة (thumbnail resizing) لتكبير أو تصغير الصور، مما يقلل من فقدان التفاصيل الحيوية في الصور مع ضمان الكفاءة الحسابية. تُطبّق إجراءات التطبيع لتوحيد بيانات الصور قبل استخراج الميزات. ويُسهّل استخراج الميزات من خلال إطار عمل جديد مبني على نماذج الرؤية المتعددة (Vision Transformers)، وهي تقنية متطورة حديثًا في تحليل الصور. بالإضافة إلى ذلك، تم استكشاف إصدارات بديلة من الإطار تضم طبقة إضافية من التحويل الخطي (linear projection) أو تحويلات خطية جزئية (blockwise linear projections). يسمح هذا التحليل المقارن بتقييم تأثير التحويل الخطي على استخراج الميزات وأداء النموذج بشكل عام. ولتقييم فعالية الإطار المقترح، تم استخدام هياكل متعددة من الشبكات العصبية التلافيفية (Convolutional Neural Network - CNN)، مما يتيح تقييمًا شاملاً لتأثير التحويل الخطي على مقاييس التقييم الأساسية. أظهرت النتائج فعالية الإطار المقترح، حيث حقق أفضل نموذج خسارة هاملين (Hamming loss) قدرها 0.054. علاوة على ذلك، نقترح تصميمًا جديدًا للعتاد مخصصًا لمسح الأوراق المصابة بأسلوب ثنائي الأبعاد (omnidirectional). ويستخدم التنفيذ المادي للعتاد وحدة حاسوب Raspberry Pi Compute Module لتلبية المتطلبات المنخفضة للذاكرة، مما يضمن المصداقية والتكلفة المنخفضة. يُعزّز هذا الحل المبتكر للعتاد من جدوى النظام التلقائي للكشف عن الأمراض ويسهّل وصوله عمليًا. يُسهم هذا البحث في مجال الزراعة من خلال تقديم رؤى و أدوات قيمة للكشف المبكر وإدارة الأمراض النباتية، مما قد يؤدي إلى تحسين إنتاجية المحاصيل وتعزيز الأمن الغذائي.