في خضم التحديات المتزايدة التي يواجهها الأمن الغذائي العالمي، تتناول أحدث الابتكارات في الذكاء الاصطناعي موضوع تشخيص أمراض النباتات بشكل متزايد. تمثل شبكة STA-Net (Decoupled Shape and Texture Attention Network) خطوة ثورية في هذا المجال، حيث تسعى لتقديم حلول دقيقة ومناسبة للاستخدام على الأجهزة المحمولة.

تظهر الصعوبة في نشر نماذج عالية الدقة على الأجهزة الذكية، حيث أن أغلب الشبكات الخفيفة تعتمد على آليات الانتباه (Attention Mechanisms) التقليدية. هذه الآليات غالباً ما تفشل في التقاط الميزات المرضية الدقيقة مثل أشكال الآفة غير المنتظمة والقوام المعقد. لذا، اقترح الباحثون حلاً من شقين:

1. استخدام طريقة بحث هيكلية عصبية بدون تدريب (DeepMAD) لإنشاء شبكة فعلية مناسبة للأجهزة الذكية.
2. تقديم وحدة انتباه الشكل والقوام (Shape-Texture Attention Module - STAM) التي تقسم الانتباه إلى فرعين - أحدهما يستخدم عمليات تصفية قابلة للتشويه (Deformable Convolutions - DCNv4) لزيادة الوعي بالشكل، والآخر يستخدم مجموعة مرشحات غابور لاستشعار القوام.

استنادًا إلى مجموعة بيانات الأمراض النباتية العامة CCMT، حقق نموذج STA-Net نتائج مذهلة تمثلت في دقة 89.00% وسكوره F1 تزيد عن 88.96%. كما أظهرت الدراسات الإضافية أن STAM يعزز بشكل كبير الأداء مقارنة بالنماذج التقليدية.

إن دمج المعرفة في المجال من خلال الانتباه المفصول يفتح آفاقًا واعدة للزراعة الدقيقة المعتمدة على الذكاء الاصطناعي. يمكنك الاطلاع على الكود المصدري هنا: مشروع STA-Net.

ما رأيكم في هذه الابتكارات الجديدة في مجال الذكاء الاصطناعي والزراعة؟ شاركونا آرائكم في التعليقات!