في عالم الزراعة الحديثة، يعد تصنيف أمراض الأوراق أمرًا حيويًا للكشف المبكر عن الأمراض، خاصةً في البيئات التي تفتقر إلى الموارد. وقد أثبتت نماذج Vision Transformers (ViTs) أنها تُظهر قدرة تمثيلية قوية من خلال نمذجة العلاقات المكانية والزمانية بين الفئات المختلفة. ومع ذلك، فإن التكلفة الحسابية العالية لهذه النماذج تجعل استخدامها غير عملي في الأجهزة الطرفية.

تقدم الورقة البحثية الجديدة AgriKD، وهي إطار عمل مبتكر لنقل المعرفة عبر الهياكل (Cross-Architecture Knowledge Distillation)، يهدف إلى تحسين أداء نماذج التعلم الآلي الخفيفة. يتيح AgriKD نقل المعرفة من نموذج ViT المعلم إلى نموذج طلابي مدمج يعتمد على الشبكات العصبية الالتفافية (CNN).

إن الطريقة المقترحة تتجاوز الفجوة التمثيلية بين هياكل Transformers وCNNs من خلال دمج أهداف جديدة متعددة عند مستويات المخرجات والميزات والعلاقات، حيث تلتقط كل نقطة هدف جانبًا مختلفًا من معرفة المعلم. هذه الاستراتيجية تمكن النموذج الطلابي من الحفاظ على الاستجابات العالمية المستمدة من نموذج المعلم بشكل أفضل.

أظهرت التجارب على مجموعة متنوعة من بيانات أمراض الأوراق أن النموذج المضغوط قد حقق أداءً يعادل النموذج المعلم، مع تحسين كبير في الكفاءة. فقد تم تقليل عدد المعلمات بنحو 172 ضعفًا، وتكلفة الحساب بنسبة 47.57 مرة، وزمن الاستدلال بين 18-22 مرة. كما تم نشر النموذج المحسن عبر عدة تنسيقات تشغيلية، بما في ذلك ONNX وTFLite Float16 وTensorRT FP16، مما يضمن أداءً تنبؤيًا ثابتًا مع انخفاض دقيق في الدقة.

توضح التطبيقات العملية على أجهزة NVIDIA Jetson وأحد التطبيقات الهاتفية القدرة على الاستدلال في الوقت الحقيقي، مما يبرز عملية AgriKD كخيار موثوق لتطبيقات الزراعة المعتمدة على الذكاء الاصطناعي في البيئات ذات الموارد المحدودة.