في بنغلاديش، تعتمد معظم جهود اكتشاف أمراض النباتات على المراقبة اليدوية التي يقوم بها العاملون في مجال الزراعة، مما يؤدي إلى تحديات كبيرة في دقة وفعالية هذه العملية. لكن، مع إطلاق إطار AgriMind، نشهد تحولًا جذريًا في هذا المجال.

AgriMind هو نظام متقدم يعتمد على تعلم الآلة (Machine Learning) ويجمع بين عدة نماذج مثل ResNet50 و EfficientNet-B0 و DenseNet121. تم تدريبه على نحو 20,638 صورة من قاعدة بيانات PlantVillage، تغطي 15 فئة من أمراض النباتات بما في ذلك الفلفل والبطاطس والطماطم.

ما يميز AgriMind هو استخدام تقنية التعلم الانتقالي (Transfer Learning) مع نماذج مدربة مسبقًا، مما يسمح بالحفاظ على خفة النظام وتقديم نتائج دقيقة. حققت النماذج الفردية دقة تصل إلى 96-97% في اختبارات المراقبة، ولكن عندما تم دمج نتائجها، حقق النظام دقة مذهلة تصل إلى 99.23%.

تمكن هذا الإطار الجديد من تحقيق نتائج رائعة، كالتصنيف الدقيق لأكثر من 90% من الأمراض، حيث بلغت دقة تصنيف الفلفل والبطاطس 100%، والطماطم تقترب من 99.01% رغم وجود عشرة فئات مشابهة بصريًا.

العملية برمتها تتم بسرعات مذهلة تصل إلى 53 إطارًا في الثانية (FPS) باستخدام وحدة معالجة الرسوميات NVIDIA T4، مما يفتح آفاقًا جديدة لاستخدامه في التطبيقات المحمولة. إلا أن التحسينات لا تزال بحاجة إلى إنجاز لجعل النظام قابلاً للاستخدام في الوقت الحقيقي عبر TensorFlow Lite.

مع AgriMind، نحن على أعتاب عصر جديد في زراعة أشجار الفاكهة والنباتات، حيث يوفر هذا الإطار دقة وكفاءة غير مسبوقتين. ما رأيكم في هذا التطور التقني؟ شاركونا في التعليقات.