تقييم شامل لنماذج كشف الكائنات بالذكاء الاصطناعي في الزراعة: ماذا عن الأداء في إفريقيا؟

في عصر التكنولوجيا الحديثة، يعد الذكاء الاصطناعي أداة قوية لتحسين الزراعات وزيادة إنتاجية المحاصيل. تُظهر الأبحاث الحديثة أن رؤية الكمبيوتر (Computer Vision) يمكن أن تلعب دورًا حاسمًا في تحسين مراقبة المحاصيل والزراعة الدقيقة. ومع ذلك، تواجه هذه التطبيقات تحديات كبيرة، خصوصًا أنها غالبًا ما تعتمد على بيانات تم جمعها في ظروف خاضعة للرقابة، مما لا يعكس الواقع الزراعي الفعلي، خاصة في المناطق غير الممثلة جيدًا مثل إفريقيا.

تتطرق دراسة حديثة إلى هذا الموضوع من خلال تقييم مقارن لستة نماذج لكشف الكائنات، هي: YOLOv5، YOLOv8، YOLO11، YOLO26، Faster R-CNN، وRT-DETR، باستخدام مجموعة بيانات حقيقية تم جمعها يدويًا من المزارع النيجيرية. تتكون مجموعة بيانات AgriAISeg من 3,382 صورة لمحاصيل مثل السمسم والملفوف والطماطم، تم التقاطها تحت ظروف بيئية متنوعة، بما في ذلك تغييرات الإضاءة والقدرة على الرؤية.

أُجري تدريب على النماذج وقد تم تقييم أدائها استنادًا إلى دقة الكشف، ومعدل الاسترجاع، ومتوسط الدقة، resulting in exciting insights into each model's performance:
- **RT-DETR**: أظهر أداءً شاملاً متفوقًا بدقة بلغت 0.768 ومتوسط دقة عند 0.5:0.95 قدره 0.624.
- نماذج **YOLOv8** و**YOLO11** أيضًا قدمت أداءً قويًا وثابتًا.
- بينما كانت دقة نموذج **Faster R-CNN** أقل بكثير، بمعدل دقة إجمالية قدره 0.466، مما يدل على فعالية منخفضة في ظل ظروف الحقل المعقدة.

تظهر هذه النتائج أن النماذج الحديثة المبنية على تقنية **Transformer** والنماذج ذات المرحلة الواحدة تقدم حلولاً أكثر موثوقية وكفاءة لاكتشاف المحاصيل في البيئات الزراعية الحقيقية. نجد أن كفاءة تدريب نماذج YOLO تفوقت على سرعة تدريب Faster R-CNN، مما يبرز أهمية اختيار النموذج المناسب بناءً على متطلبات البيئة الزراعية الفعلية.

لهذا، تعتبر هذه الدراسة خطوة هامة نحو تحسين التطبيقات الزراعية في إفريقيا، مع الحاجة المستمرة لتطوير حلول يمكنها التكيف مع الظروف المعقدة والتحديات البيئية المتنوعة.