نوتريسبايس: فضاء ألوان جديد لتعزيز الكشف المبكر عن نقص التغذية في المحاصيل القرعية باستخدام التعلم العميق

الكشف المبكر عن نقص التغذية النباتية، يتبعه اتخاذ إجراءات تصحيحية فورية، يُعد أمرًا حاسمًا للحفاظ على إنتاجية المحاصيل ونوعية المنتجات. ومع ذلك، يُعد اكتشاف هذه العلامات المبكرة في أوراق النباتات أمرًا صعبًا، حتى باستخدام أدوات تشخيصية مدعومة بالحوسبة، نظرًا لطبيعتها الخفية. كحل لهذا التحدي، تقدم الدراسة حيز ألوان جديد يُدعى "Nutrispace"، الذي يعزز القدرة على التعرف على الإجهاد الناتج عن نقص التغذية باستخدام التعلم العميق من خلال توضيح العلامات المبكرة لنقص التغذية في صور الأوراق. في هذه الدراسة، قُيمت فعالية Nutrispace من خلال مقارنة أدائها مع الألوان RGB وHSV وCIELAB باستخدام ثلاثة تصنيفات خفيفة الوزن: EfficientNetB0 وMobileNetV2 وDenseNet121. ولتحسين فهم مدى فعالية Nutrispace، تم اختبار هذه التصنيفات باستخدام أربع أحجام مختلفة للصورة: 32×32 و64×64 و128×128 و256×256. وتكون مجموعة بيانات الاختبار من صور لأوراق ثلاث أنواع من النباتات: الكوسا الرمادية (Benincasa hispida) والكوسا المرّة (Momordica charantia) والكوسا الطويلة (Trichosanthes cucumerina)، بحالة نقص مبكر في النيتروجين والبوتاسيوم، بالإضافة إلى عينات صحية كضوابط. أظهرت النتائج أن Nutrispace ساهم بشكل مستمر في تحسين الدقة في جميع حالات الاختبار الـ12، بتحسن بلغ من 1% إلى أكثر من 8% مقارنةً بـRGB. وكان التحسن الأكبر ملاحظًا في الحالات ذات الدقة العالية، حيث حقق Nutrispace أعلى دقة في الاختبار بلغت 90.62% باستخدام صور بحجم 256×256. وبشكل عام، أظهر Nutrispace أداءً فعّالًا بغض النظر عن هيكل النموذج التصنيفي أو حجم الإدخال.