تنوع العينات يسبق حجمها: دراسة تبرهن تفوق موازنة البيانات في تشخيص أمراض الزيتون

يقف تشخيص أمراض النباتات بواسطة نماذج التعلم العميق أمام معضلة بنيوية مألوفة في الحوسبة الزراعية: العينات الحقلية المتاحة نادرة للغاية، وتوزيع الفئات مصاب باختلال حاد يجعل النماذج عاجزة عن رصد الأعراض النادرة. في ورقة بحثية جديدة أودعها الباحثون هشام الأخال وعبد الرحيم واغا وعيسى بن يحيى وعبد الباقي بلرهيتي العلوي في مستودع «أركايف»، اختبر الفريق استراتيجية متكاملة لتوليد البيانات الاصطناعية بهدف فك هذا الاختناق في تصنيف أمراض أشجار الزيتون، مؤكدين أن تنويع البيانات وضبط توازنها يفوق في تأثيره مجرد السعي وراء معمارية أضخم أو زيادة عشوائية في الحوسبة.

بنى الباحثون خطتهم على دمج حزمة متنوعة من تقنيات التوليد، مبتعدين عن الاكتفاء بطرق التعزيز التقليدية وحدها. شملت التجربة أساليب المزج البصري مثل «كت مكس» (CutMix) و«مكس أب» (MixUp)، إلى جانب توليد عينات صور جديدة كليًا باستخدام شبكات التوليد التنافسية الالتفافية العميقة (DCGANs). هذا التنويع في مصادر العينات سمح بمحاكاة التباينات الميدانية التي تصيب أوراق الزيتون، وتوليد أمثلة هجينة ومركبة تدرب الشبكات العصبية على التقاط السمات الدقيقة للمرض بدل حفظ الأنماط السطحية للخلفية أو زوايا التصوير.

ولقياس الأثر الفعلي لهذه العينات المولدة، وضع الفريق ثلاثة سيناريوهات توزيع محددة بدقة: ركز السيناريو الأول (S1) على موازنة توزيع الفئات داخل مجموعة البيانات الأصلية لمعالجة الاختلال، بينما عمل السيناريو الثاني (S2) على زيادة إجمالي العينات لكل فئة، وتكفل السيناريو الثالث (S3) بتوسيع حجم مجموعة البيانات كليًا مع الحفاظ الصارم على توازن الفئات في آن واحد. ولتنفيذ الاختبارات العملية، اعتمدت الدراسة معمارية «إفشنت نت في 2 بي 0» (EfficientNetV2B0)، وجرى تقييمها عبر مرحلتين: الأوزان المدربة مسبقًا، ثم مرحلة الضبط الدقيق (Fine-tuning) لقياس استجابة النموذج لكل توزيع من التوزيعات الثلاثة.

أظهرت النتائج التجريبية تحسنًا جوهريًا في دقة التصنيف، حيث برز السيناريو الثالث بوصفه الأكثر فاعلية، مما أثبت أن توسيع حجم البيانات مع ضبط توازن الفئات يمثل نقطة التحول الحاسمة في استقرار النموذج. لم يكن التوسع الكمي وحده كافيًا حين ظل الاختلال قائمًا، بل إن إمداد النموذج بعينات مولدة بطريقة تضمن التنوع وتمنع انحياز المصنف نحو الفئات الأكثر وفرة هو ما مكّن المعمارية الخفيفة من تسجيل قفزة واضحة في دقة التشخيص، مما يثبت أن جودة هندسة البيانات تسبق تعقيد النموذج نفسه.

يحمل هذا التحول دلالة تشغيلية مباشرة للمهندسين وفرق التقنية الزراعية في المشرق العربي وشمال إفريقيا ومشاريع الزراعة الدقيقة في السعودية، وتحديدًا في مناطق مثل الجوف وحوض المتوسط حيث تمثل زراعة الزيتون قطاعًا حيويًا. تعاني الفرق المحلية التي تطور أنظمة رؤية حاسوبية مدمجة على الطائرات المسيرة أو الكاميرات الحقلية من التكلفة الباهظة لجمع وتصنيف آلاف الصور لأمراض نادرة في الحقول المفتوحة. إن تطبيق تقنيات التوليد عبر شبكات «DCGANs» وأساليب المزج يتيح للشركات الناشئة والمطورين تدريب نماذج خفيفة وعالية الكفاءة داخل مختبراتهم دون استنزاف ميزانيات المسح الميداني، مما يقلص تكلفة تطوير حلول الرصد الذاتي ويسرع نشرها على الأجهزة الطرفية محدودة الموارد.

تؤكد مخرجات هذه الدراسة أن تفوق نماذج الرؤية في الزراعة الدقيقة يتحقق عبر معالجة متقدمة لندرة البيانات الميدانية وضبط جودة العينات قبل التفكير في التوسع العتادي. ومع انتقال أنظمة الفحص الذكي من النظريات الأكاديمية إلى بساتين الإنتاج الفعلي، يصبح ضبط التوزيع الإحصائي وتوليد العينات الاصطناعية المهارة الأكثر طلبًا لدى مهندسي الرؤية الحاسوبية، محولًا شح الموارد الحقلية من عائق دائم إلى مسألة برمجية قابلة للحل.