في عالم الزراعة الحديثة، يعد تشخيص أمراض النباتات بدقة حاجة ملحة لتأمين المحاصيل وتحسين الإنتاجية. حيث يكشف البحث الجديد عن إطار عمل مبتكر يدعى "الإطار الهجين الهرمي متعدد الوكلاء" (H$^{2}$MAF) الذي يجمع بين رؤى خبراء المعالجة البصرية ونماذج لغوية كبيرة متعددة الوسائط (MLLMs).

يمثل هذا الإطار تقدماً ملحوظاً، حيث يعمل على دمج نتائج نماذج EfficientNet-B3 وConvNeXt-Tiny مع وسائل التحكيم الدلالي بواسطة نماذج MLLMs مثل Gemma وQwen. باستخدام ملفات JSON منظمة، يوفر H$^{2}$MAF تشخيصات قابلة للتفسير، تتضمن مستويات الخطر، وعاجلية العلاج، والتعرض المالي للتداعيات.

تجارب الإطار الجديد تمت على 14,364 صورة عبر عدة قواعد بيانات، حيث حقق نموذج Gemma تحسينًا في الدقة من 63.9% إلى 68.5%. وعلى صعيد آخر، أظهرت صور تم التقاطها بواسطة الروبوتات في جامعة كورنيل دقة بلغت 99.3% و98.9%، مما يبرز فعالية هذه الطريقة في بيئات غير متحكم فيها.

تعتبر نتائج هذه الدراسة مثيرة للغاية، حيث تؤكد على إمكانية استخدام نماذج MLLMs كوسيلة فعالة، ولكن تظل الحاجة للتعديل الدقيق لتفادي الأخطاء الحرجة.

هذا الابتكار يعد بمستقبل مشرق للذكاء الاصطناعي الزراعي ودعم اتخاذ القرار في الميدان. هل أنتم متحمسون لرؤية كيفية تطور هذه التكنولوجيا؟ شاركونا آرائكم في التعليقات!