نظام كشف النباتات السامة باستخدام الذكاء الاصطناعي

نظام ذكي يعتمد على تقنيات الذكاء الاصطناعي لتحديد ما إذا كان النبات سامًا أو آمنًا باستخدام صورة واحدة فقط مأخوذة من الطبيعة. الفكرة الأساسية للنظام هي مساعدة المستخدم على اتخاذ قرار آمن في الحالات التي يكون فيها التمييز البصري بين النباتات صعبًا، خصوصًا أن بعض النباتات السامة تشبه بشكل كبير نباتات آمنة تمامًا، مثل التشابه المعروف بين Poison Ivy و Virginia Creeper.

في المحاولات الأولى، تم تدريب نماذج تقليدية للإجابة مباشرة على سؤال “هل النبات سام أم لا؟”، لكن النتائج كانت ضعيفة، حيث لم تتجاوز الدقة 51%، وهي قريبة من التخمين العشوائي. حتى بعد استخدام تقنيات Fine-tuning التقليدية أو دمج عدة نماذج، بقي الأداء محدودًا ولم يكن مناسبًا للاستخدام العملي.

الحل الذي تم التوصل إليه اعتمد على تغيير طريقة التفكير في المشكلة نفسها. بدلًا من التصنيف المباشر، تم تقسيم المهمة إلى مرحلتين مترابطتين. في المرحلة الأولى، يتعرف النظام على نوع النبات من بين عشرة أنواع مختلفة باستخدام نموذج EfficientNetV2-S مدرّب مسبقًا على ImageNet، حيث يتم استخراج تمثيل بصري عميق للصورة بطول 256 بُعدًا. في المرحلة الثانية، يتم استخدام هذه المعلومات لتحديد ما إذا كان النبات سامًا أو آمنًا باستخدام مصنف Logistic Regression متوازن الفئات.

هذا الأسلوب أدى إلى تحسن كبير في الأداء، حيث ارتفعت الدقة من 51% إلى 87.53%، مع قيمة AUC-ROC وصلت إلى 0.944، ونتائج متوازنة من حيث Precision وRecall وF1-Score، مما يجعل النظام موثوقًا في السيناريوهات الواقعية.

تم تدريب النظام باستخدام صور حقيقية من الطبيعة مأخوذة من منصة iNaturalist، بعدد يقارب عشرة آلاف صورة موزعة بالتساوي بين نباتات سامة وآمنة، مع تقسيم واضح لبيانات التدريب والتحقق والاختبار. يشمل النظام نباتات سامة معروفة مثل Poison Ivy وPoison Oak وPoison Sumac، إضافة إلى نباتات آمنة شائعة مثل Virginia Creeper وBoxelder وغيرها.

المشروع مصمم ليكون قابلًا للتطوير بسهولة، سواء بإضافة أنواع نباتات جديدة أو تحسين دقة النموذج مستقبلًا، وهو مناسب للاستخدام في تطبيقات الزراعة، السلامة البيئية، أو التطبيقات الذكية الموجهة لعامة المستخدمين.