في عصر يتزايد فيه الاعتماد على الذكاء الاصطناعي (Artificial Intelligence) في مختلف المجالات، يأتي دور التقنيات الحديثة في الزراعة ليدعم المزارعين في تقييم الأضرار التي تلحق بمزروعاتهم من خلال البيانات التصويرية. في مزارع الخوخ، يعاني المزارعون من زيادة الضغوط البيئية والحيوية، مثل تغير المناخ والآفات، مما ينتج عنه أعراض ورقية مشابهة يصعب تشخيصها يدوياً عبر الحقول المختلفة.

لذا، تم اقتراح نهج جديد تعتمد عليه تقنية تصنيف الأضرار للأوراق باستخدام الصور، حيث تم إنشاء مجموعة بيانات مرجعية من خلال التوصيف اليدوي للصور المتاحة علنياً، والتي شملت 1,366 ورقة خوخ موزعة على ستة فئات مختلفة من الأضرار.

لقد تم تقييم عدة هياكل للتعلم العميق، وأظهرت نماذج EfficientNet النتائج الأفضل، حيث حقق EfficientNetB0 نسبة دقة وصلت إلى 92.9%، بينما سجل EfficientNetB3 دقة بنسبة 91.5%، وأثبت EfficientNetB5 أداءً قوياً خاصة في التصنيف لفئات الأضرار الأقل شيوعًا. كذلك، حقق DenseNet121 دقة تصل إلى 92.6%.

كما ساهم دمج وحدة انتباه الكتلة الالتفافية (CBAM) في تحسين الأداء في العديد من الهياكل الأساسية، وخاصة EfficientNetB5 وInceptionV3. حيث حققت نموذج EfficientNetB5 المُعزز بـ CBAM أفضل دقة إجمالية بلغت 93.3%.

لتقييم قوة النموذج تحت ظروف واقعية، تم جمع مجموعة بيانات محلية تضم 180 صورة عبر أربع فئات مختلفة، وتم تطبيق استراتيجيات التعلم الانتقالي (Transfer Learning) للتعامل مع تحديات تغيير المجال، حيث تم اختبار ثلاث استراتيجيات لتعديل نماذج التعلم. وقد حقق EfficientNetB3 المثبت مع CBAM أفضل أداء في المجال المحلي بتسجيله 93% في درجة F1 الكلية.

بالمجمل، أظهرت النماذج المعتمدة على آليات الانتباه (Attention Mechanisms) تحسناً ملحوظاً في قوة التعبير عن الفئات الأقل شيوعًا والتعميم عبر ظروف حقول مختلفة، مما يفتح المجال لمزيد من الابتكارات في مجال الزراعة الذكية.