تعاني الطرق التقليدية للكشف عن خصوبة البيض غالبًا من انخفاض الكفاءة، وارتفاع التكاليف، وأخذ عينات مدمّرة. بينما يوفر التعلم العميق بديلاً غير مدمر، تكافح النماذج الحالية لتحقيق توازن بين المتانة والكفاءة، خصوصًا عند التعامل مع الميزات الدقيقة للبيض المخصب تحت قيود نشر صارمة. لمعالجة ذلك، نقترح إطار عمل تصنيف خفيف الوزن يعتمد على تحسين معمارية YOLOv8. يقدم نهجنا ثلاثة ابتكارات رئيسية: وحدة C2f قائمة بالكامل على Ghost (FG-C2f) لإزالة تكرار النماذج الأساسية، استراتيجية تقليل العينات المنفصلة SCDown لتحسين حساب الطبقات العميقة، ورأس تشعبي ضئيل لضغط كبير في المعلمات. تظهر النتائج التجريبية أن الطريقة المقترحة تفوق بشكل كبير على قاعدة البيانات YOLOv8n-cls، محققة دقة تصنيف مماثلة أو متفوقة بينما خفضت المعلمات النموذجية بنسبة تزيد عن 60% وزادت سرعة الاستدلال بأكثر من 40%. من خلال تحقيق توازن مثالي بين الدقة والكفاءة، توفر هذه الدراسة حلاً عمليًا لتطبيقات الزراعة المدمجة وتقدم رؤى قيمة لتصميم أنظمة التعرف على الأنماط بكفاءة على الأجهزة الحافة المحدودة الموارد.
درس يوي وآخرون (2026) هذا السؤال.