تحسين تصنيف أمراض النبات من خلال التجميع الأدنى التكيفي

تم اقتراح طريقة جديدة لتحسين تصنيف الأمراض النباتية، وهي عملية صعبة وتستغرق وقتًا طويلاً. أولاً، وباستخدام EfficientNet كأساس — وهي عائلة حديثة ومتقدمة من الهياكل التي تتميز بموازنة ممتازة بين الدقة والتعقيد — قمنا بتطوير وتطبيق تقنيات محسّنة تعتمد على التعلم القائم على النقل (transfer learning)، والتنظيم (regularization)، والتجميع الطبقات (stratification)، والمقاييس الموزونة (weighted metrics)، والمحرّكات المتقدمة (advanced optimizers)، بهدف تحسين الأداء. ثم، نحن نذهب أبعد من ذلك من خلال إدخال تقنية التجميع التكيفي الأدنى (adaptive minimal ensembling)، وهي مساهمة فريدة في قاعدة المعرفة للحل المقترح. ويمثل هذا تقدماً كبيراً، إذ يسمح بتحسين الدقة مع الحد من التعقيد باستخدام نموذجين ضعيفين فقط من EfficientNet-b0، حيث يتم تنفيذ عملية التجميع على متجهات الميزات باستخدام طبقة قابلة للتدريب، بدلاً من التجميع التقليدي على المخرجات. إلى حد معرفتنا، لم يُستخدم نهج مشابه للتجميع من قبل في الأدبيات العلمية. تم اختبار طريقة العمل هذه على مجموعة بيانات PlantVillage، وهي مجموعة بيانات عامة تُستخدم كمرجعية لمقارنة أداء النماذج في تشخيص أمراض المحاصيل، مع أخذ النسختين الأصليّة والمحسّنة للبيانات بعين الاعتبار. وتم تحقيق تحسن ملحوظ في حالة الفن (state of the art)، حيث بلغت الدقة 100٪ في كلتا النسختين، الأصلية والمحسّنة. تم الحصول على النتائج باستخدام PyTorch لتدريب النماذج واختبارها وتحققها، مع ضمان إمكانية إعادة الإنتاج من خلال توفير تفاصيل مفصلة شاملة، بما في ذلك القيم المُعطاة للبارامترات في التجربة. كما تم توفير واجهة ويب متاحة للعامة لاختبار الطرق المقترحة.