في عالم الزراعة، يُعتبر الكاكاو (Theobroma cacao) محصولًا اقتصاديًا حيويًا لملايين المزارعين في غرب إفريقيا. لكن، تواجه هذه المحاصيل تحديات ضخمة بسبب الأمراض مثل مرض فيروس تعفن ساق الكاكاو (CSSVD) والعفن. الأمر الذي يتطلب أنظمة كشف مرضية تلقائية من صور الأوراق للتدخل المبكر، إلا أن هذه الأنظمة تُطالب غالبًا بموارد كبيرة قد لا تتوفر في بعض المناطق.

هنا يأتي دور TinyBayes، النظام الرائد الذي يدمج بين تصنيف بايزي مغلق مع خط أنابيب رؤية حاسوبية يتناسب مع الأجهزة المحمولة، مما يجعله مثاليًا للكشف عن الأمراض الزراعية. يعتمد هذا النظام على نموذج YOLOv8-Nano (5.9 ميغابايت) لتحديد مواضع الآفات، ونموذج MobileNetV3-Small (3.5 ميغابايت) لاستخراج الخصائص، بالإضافة إلى استخدام تقنية جاكوب (Jacobi prior)، وهي طريقة بايزية توفر تقديرات مغلقة غير متكررة عبر الإسقاط.

وبفضل مجمع جاكوب-DMR (التوزيع المتعدد المتغير) الذي يضيف فقط 13.5 كيلوبايت إلى خط الأنابيب، يصبح حجم النموذج الكلي أقل من 9.5 ميغابايت، مع تحقيق دقة تصل إلى 78.7% في تحدي تلوث الكاكاو. يتيح ذلك تحقيق استدلال كامل عبر وحدة المعالجة المركزية في أقل من 150 ميلي ثانية لكل صورة.

تمت مقارنة هذا النموذج مع سبع مصنفات أخرى مثل الغابات العشوائية (Random Forest) وSVM وLasso وXGBoost. وأظهر نموذج جاكوب-DMR التوازن الأفضل بين الدقة وحجم النموذج وسرعة الاستدلال، مما يجعله الأمثل للنشر على الأجهزة المحمولة.

لقد أثبت الباحثون تساوي الاستدلال في الحدود، والتناسق، والتوزيع الطبيعي التقاربي، وتصحيح الانحياز لنموذج جاكوب-DMR. للمزيد من التفاصيل، يمكنكم الاطلاع على الكود والبيانات المتاحة على: [رابط_المقال]