طور باحثون دوليون خوارزمية ذكاء اصطناعي متقدمة قادرة على اكتشاف وتصنيف عيوب حبوب البن الأخضر بدقة غير مسبوقة. تم الكشف عن هذا الإنجاز المهم لصناعة القهوة العالمية في دراسة بعنوان “تحليل مقارن لنماذج YOLO لاكتشاف وتصنيف عيوب حبوب البن الأخضر”، والتي نُشرت في مجلة Scientific Reports، المجلد 14 لعام 2024.
قاد فريق البحث من جامعة سيلهيت الزراعية في بنغلاديش وجامعة غيفو في اليابان هذا المشروع، الذي ركز على تطبيق نماذج YOLO (You Only Look Once) للكشف عن العيوب. تهدف الدراسة إلى تعزيز كفاءة إنتاج القهوة من خلال تقديم نظام آلي يضمن جودة متسقة ويُقلل من تكاليف العمالة.
تلعب جودة حبوب البن الأخضر دورًا حاسمًا في تحديد نكهة المنتج النهائي وقيمته التجارية. تقليديًا، كانت عملية التفتيش على جودة البن الأخضر تعتمد على العمالة اليدوية، وهي عملية تستغرق وقتًا طويلاً وتستهلك الكثير من الجهد، بالإضافة إلى أنها عرضة للأخطاء البشرية. هذه التحديات تجعل الحاجة إلى حلول آلية أكثر إلحاحًا لضمان عمليات فحص سريعة ودقيقة.
تُظهر الدراسة كيف يمكن لنماذج الذكاء الاصطناعي أن تحل محل الفحص اليدوي، من خلال تقديم نظام آلي قادر على اكتشاف وتصنيف عيوب الحبوب، مثل الحبوب السوداء والمكسورة والباهتة والحامضة.
تألف فريق البحث من هيرا لال جوبي، وهيديكازو فوكاي، وفهيم محفوظ روحاد، وشهاغ برمان. استخدم الفريق مجموعة بيانات تضم أكثر من 4500 صورة مُعلمة بدقة لتقييم أداء ستة نماذج من YOLO، بما في ذلك YOLOv3، وYOLOv4، وYOLOv5، وYOLOv7، وYOLOv8، والنموذج المخصص YOLOv8n الذي تم تطويره خصيصًا لهذه الدراسة.
تم جمع عينات حبوب البن الأخضر من مزارعين في تيمور الشرقية، وصُورت باستخدام إعدادات معيارية لضمان الاتساق. كما أُضيفت تقنيات معالجة مسبقة لتعزيز دقة النموذج، مثل تحسين الإضاءة وضبط السطوع والدوران.
حقق نموذج YOLOv8n المخصص أداءً متميزًا، حيث بلغ معدل الدقة 0.977، والاستدعاء 0.990، ودرجة f1 وصلت إلى 0.983. كما سجل متوسط دقة يُقدر بـ 0.995، مما يبرز قدرته على اكتشاف حتى العيوب الدقيقة بدقة عالية.
شملت الابتكارات في هذا النموذج:
- تحسين استخراج الميزات، من خلال تعديل الهيكل الداخلي للنموذج لاكتشاف التفاصيل الدقيقة لعيوب الحبوب.
- الكشف متعدد المقاييس، الذي مكّن النموذج من اكتشاف عيوب بأحجام وخصائص متنوعة.
- تخصيص صناديق الربط لتتناسب مع أبعاد حبوب البن الفريدة.
- تعديل المعلمات لتحسين معدلات التعلم وتعزيز أداء النموذج.
أبرزت الدراسة العديد من المزايا العملية لتطبيق الذكاء الاصطناعي في إنتاج القهوة:
- معالجة الصور بسرعة تفوق الفحص اليدوي، مما يُقلل من التكاليف التشغيلية.
- القضاء على الأخطاء البشرية، مما يضمن جودة موحدة.
- التكيف مع أنواع متعددة من الحبوب والعيوب في مختلف المناطق المنتجة للقهوة.
وأشار الباحثون إلى أن هذا النظام يمكن تطبيقه على منتجات زراعية أخرى، مثل اكتشاف أمراض المحاصيل أو تقييم جودة الفواكه والخضروات.
صُنفت العيوب التي تناولتها الدراسة إلى أربع فئات رئيسية:
- الحبوب السوداء: الناتجة عن الكرز غير الناضج أو التالف.
- الحبوب المكسورة: التي تعرضت للتلف أثناء عملية التقشير.
- الحبوب الباهتة: التي فقدت لونها بسبب التجفيف السريع أو تقادم المحصول.
- الحبوب الحامضة: الناتجة عن الكرز المفرط النضج أو التخمير غير السليم.
تم تدريب النموذج باستخدام تقنية تحسين التدرج العشوائي (SGD) على وحدة معالجة رسومات (GPU) من نوع NVIDIA Tesla T4. وقد أتاح ذلك الوصول إلى أداء مثالي بعد 150 دورة تدريبية.
على الرغم من نجاح النموذج المخصص، أشار الباحثون إلى بعض التحديات التي لا تزال قائمة:
- طول مدة التدريب، مما يتطلب تحسينات إضافية.
- الحاجة إلى جمع عينات أكثر تنوعًا لتعزيز قدرة النموذج على التعميم.
- إمكانية دمج النموذج مع أجهزة استشعار وتقنيات إنترنت الأشياء (IoT) لمراقبة الجودة في الوقت الفعلي.
يمثل تطوير هذه الخوارزمية خطوة كبيرة نحو تحسين معايير الجودة في صناعة القهوة. من خلال الدقة غير المسبوقة التي يُوفرها نموذج YOLOv8n المخصص، يمكن للمنتجين تحقيق التميز في سوق عالمي يتطلب أعلى مستويات الكفاءة والاتساق.
مع استمرار تطور هذه التقنية، تُبشر بفترة جديدة في ضمان جودة القهوة، حيث يمكن للمنتجين والمستهلكين على حدٍ سواء التطلع إلى مستويات غير مسبوقة من الكفاءة والابتكار.
