أساليب التعلم العميق لمراقبة صحة المحاصيل والكشف المبكر عن الأمراض: مراجعة

تظل أمراض المحاصيل تهديدًا للأمن الغذائي العالمي حيث تتراوح خسارة الإنتاج بين 10–40% سنويًا. شهدت السنوات القليلة الماضية تطورًا مذهلاً في الذكاء الاصطناعي (AI) والتعلم العميق وإنترنت الأشياء (IoT) والطائرات بدون طيار (UAVs)، مما حول مراقبة أمراض المحاصيل والكشف المبكر عن الأمراض. أصبحت طرق معالجة الصور السابقة متجاوزة الآن من خلال الشبكات العصبية التلافيفية (CNNs) وكواشف الأجسام مثل عائلة YOLO، ودمج CNN-Transformer، والتي تكون أكثر دقة وموثوقية بشكل كبير. في الوقت نفسه، توفر المستشعرات في إنترنت الأشياء وصور الطائرات بدون طيار متعددة الأطياف معلومات بيئية وطيفية مكملة لتمكين المراقبة النشطة بغض النظر عن المؤشرات المرئية. ولكن هناك بعض القيود التي تواجهها، مثل ضعف تعميم النموذج عند تدريبه من مجموعات البيانات المعلمة بشريًا، والحساب المكلف في نشر الحقل، ونقص البيانات المannotate الغنية والمتوفرة للأمراض نادرة التكرار، والتبني الصعب في إعدادات الزراعة الصغيرة. هنا، يتم تقييم المناطق الثلاث لتطوير نظام مراقبة صحة المحاصيل بشكل نقدي على النحو التالي: (1) الأنظمة المعتمدة على الصور، (2) نماذج التعلم العميق، و (3) الدمج متعدد النماذج للطائرات بدون طيار وإنترنت الأشياء. يتم تحليل الأداء المقارن الحيوي والقوة والضعف للطرق الحالية، مع تسليط الضوء على تباين مجموعات البيانات، ودقة الكشف، وقابلية التوسع، وقابلية نشرها. بالإضافة إلى ذلك، تكشف المراجعة عن النقاط الرئيسية في البحث - أي، الحاجة إلى نماذج دمج متعددة النماذج قوية، والمعيار التقليدي، والحلول الميدانية الميسورة - وتقترح اتجاهات مستقبلية محتملة مثل التعلم الفيدرالي، ونمذجة تفشي الأمراض التنبؤية، والروبوتات للتدخل المستهدف. من خلال جمع النجاح الحالي والإشارة إلى اتجاهات البحث المستقبلية المحتملة، تسعى هذه المراجعة إلى إبلاغ الباحثين والممارسين نحو إدارة فعالة للأمراض المحصولية معززة بالتقنية.