اختبار انتقال صور الأوراق من المختبر إلى الحقل: مشاريع تخرج الذكاء الاصطناعي

مشكلة الخلفية قبل النموذج

قد ينجح مصنف صور أوراق في مجموعة ذات خلفية بيضاء، ثم يتراجع حين تظهر الورقة بين نباتات أخرى أو في ضوء متغير. السبب ليس بالضرورة ضعف النموذج وحده؛ ربما تعلم لون الخلفية أو أسلوب التصوير. يمكن لمشاريع تخرج الذكاء الاصطناعي بناء تدقيق انتقال مجال يختبر هذه الفرضية بدلاً من الاكتفاء بنسبة دقة مرتفعة على تقسيم عشوائي من المصدر نفسه.

مصادر مختلفة لا تعني وسمًا موحدًا

تصف PlantVillage مجموعة صور شهيرة لصور نباتات على خلفيات مضبوطة، بينما تعرض PlantDoc صوراً أقرب إلى المشاهد الطبيعية وفئات متعددة. اقرأ الورقتين وشروط البيانات قبل استخدامها. اختلاف التصنيفات والأصناف وطرق الجمع يعني أن المطابقة بين الفئات تحتاج جدولاً موثقاً، لا افتراض أن الاسم نفسه يعني التعريف نفسه. احتفظ بالصور في مواقعها المرخصة ولا تنشر نسخاً منها إذا لم يسمح الترخيص بذلك.

تقسيم يكشف التسرب

حدد مهمة ضيقة وفئات مشتركة فقط، ثم وثق الفئات المستبعدة وأسباب الاستبعاد. اجعل المصدر أو جلسة الالتقاط متغيراً أساسياً في التقييم. إذا لم تعرف معرف النبات أو صورة التقطت في جلسة واحدة، فقد يبقى تسرب بين التدريب والتحقق. اذكر هذا النقص بدلاً من القول إن التقسيم عشوائي يكفي. من المفيد أيضاً عرض أمثلة مرئية لكل فئة مع مراجعة أسماء الوسوم.

خط أساس يمكن شرحه

خط الأساس القابل للتفسير قد يكون ميزات لون وشكل بسيطة مع مصنف شجري، أو مصنفاً بسيطاً على ميزات جاهزة. بعده قارن شبكة صور مضبوطة. سجل الدقة وmacro-F1 لكل مصدر على حدة، وأضف مصفوفة التباس. لا تجمع كل الصور في رقم واحد يخفي انخفاض الأداء في الحقل. افحص الخلفية وحدها بقناع الورقة أو قصها كتجربة تشخيصية؛ إذا تغير الناتج كثيراً، فهناك احتمال أن يتأثر النموذج بالسياق.

اختبار خارج المجال

يمكن تنفيذ تدقيق تدخلات محكومة: تغيير السطوع، قص الخلفية، تدوير الصورة، أو إضافة ضوضاء خفيفة. افصل التحويلات الاصطناعية عن صور الاختبار الواقعية. لا تعتبر augmentation دليلاً على مقاومة كل ظروف الحقل. اطلب من مشرف زراعي مراجعة تعريف الفئات، لأن علامات الأوراق قد تتشابه أو تظهر لأسباب متعددة ولا يمكن تأكيدها من الصورة وحدها.

لا تحول التصنيف إلى علاج

مثال: صورة ورقة أمام خلفية بيضاء تعطي الفئة أ، ثم صورة من مصدر حقلي لفئة مقاربة تظهر فئة ب. يعرض التقرير الفئة ومصدر الصورة والإضاءة والقص. إذا اختلفت النتيجة عند إخفاء الخلفية فقط، يسجل الباحث ذلك كقرينة على اعتماد النموذج على السياق. لا يقول التقرير إن النبات مصاب أو يوصي بمبيد؛ إنه يوضح حدود المصنف في بياناته الحالية.

ضع في التقرير جدول توافق الفئات بين المصدرين، وأشر إلى الفئات التي لم تجد لها مقابلاً موثوقاً. اختلاف الاسم الشائع أو مرحلة المرض قد يجعل دمج الوسوم مضللاً. من الأفضل تقليل النطاق إلى فئات مشتركة يمكن شرحها بدلاً من إجبار كل صورة على خانة. احتفظ بمعرف المصدر مع كل سجل حتى يمكن تحليل الانخفاضات بحسب ظروف الالتقاط، ولا تكتفِ بعرض صور منتقاة يدويّاً.

قد تكشف تجربة الخلفية وحدها مشكلة غير متوقعة: نموذج بسيط على الخلفية يحقق نتيجة أعلى من المصنف الكامل. هذه إشارة تستحق التحقيق وليست إثباتاً تلقائياً لوجود تسرب؛ ربما ترتبط الخلفية بمصدر جمع البيانات أو فئة معينة. اختبر الفرضية بتقسيمات مختلفة وبصور من الجلسات نفسها والمصادر الجديدة، ثم دوّن ما لا تستطيع البيانات فصله. لا تحذف الخلفية بصمت قبل بناء القياس، وإلا أخفيت سبب المشكلة.

لجعل العمل مفيداً للمزارع من دون تحويله إلى أداة علاج، يمكن أن يعرض النظام عبارة «الصورة خارج النطاق» عندما يكون المحصول أو الخلفية غير ممثلين. حدد عتبة الامتناع على مجموعة تحقق منفصلة، وبيّن كم صورة رفضها النظام وما أخطاؤه بين الصور المقبولة. صياغة الواجهة مهمة: أعط المستخدم اسم الفئة التعليمية ودرجة عدم اليقين، وأحله إلى مختص زراعي لاتخاذ القرار بدلاً من اقتراح مادة أو إجراء.

اجعل التقرير قابلاً لإعادة البناء من قائمة الصور والإعدادات، ولا تعتمد على ملف نتائج يدوي فقط. خزّن إصدار الشيفرة وبذرة التقسيم وتاريخ تنزيل البيانات. عند كل نتيجة، اعرض عدد الصور المستخدمة بعد الاستبعاد وأسباب الاستبعاد، لأن حذف الملفات التالفة قد يغير توزيع الفئات. إذا لم يسمح مصدر البيانات بإعادة توزيع الصور، وفّر سكربتاً يقرأها من المسار المحلي بدلاً من نسخها.

يمكن تسليم المشروع كدراسة قابلة للتكرار مع توثيق المصدر والقرارات والاختبارات، ومناقشة ما لم تحسمه الأداة. هذا النطاق مناسب لـمشاريع تخرج علوم الحاسوب حين يرتبط بسؤال تخصصي واضح. ولتحويل الفكرة إلى خطة تنفيذ ومراجعة مناسبة، يمكن الاطلاع على خدمة مشاريع التخرج.

للاطلاع على وصف مجموعة البيانات أو المنهجية التي بُني عليها نطاق هذا المقترح، راجع PlantVillage: A Dataset of Images for Plant Disease Detection، وPlantDoc: A Dataset for Visual Plant Disease Detection. تختلف تلك المصادر في مجموعاتها ووسومها وشروط استخدامها؛ لذلك يظل التحقق المحلي المذكور في المقال ضرورياً.