تمهيد
تعتمد جودة الإنتاج في مفرخات الاستزراع المائي على التحديد الدقيق للمراحل النمائية ليرقات الروبيان الأبيض في المحيط الهادئ بعد انقضاء مرحلة اليرقة الأولى، إذ تتوقف على هذا التحديد قرارات جوهرية تتعلق بالتغذية والفرز والنقل وتوقيت التسويق، غير أن الأساليب الشائعة في المفرخات ما تزال تعتمد على التقييم البصري اليدوي ذي الطابع الذاتي، وهو ما يقود إلى تحيز المراقب وعدم اتساق النتائج بين الفاحصين وبين أوقات الفحص المختلفة، بما ينعكس سلبًا على كفاءة إدارة المفرخات وجودة المنتج النهائي وقدرته التنافسية، ومن هنا تتجه الأنظار إلى تقنيات التعلم العميق بوصفها بديلًا موضوعيًا سريعًا قابلًا للتشغيل الآلي، خاصة متى توافرت نماذج خفيفة منخفضة التكلفة الحسابية يمكن نشرها في بيئات إنتاجية محدودة الموارد، وتقدم هذه الدراسة إطارًا من هذا النوع يهم الباحثين العرب وطلاب الدراسات العليا في مجالات الاستزراع المائي وعلوم الحاسوب والذكاء الاصطناعي التطبيقي، ويرتبط بقطاع متنامٍ في المنطقة العربية مع توسع مشروعات الأمن الغذائي واستزراع الأسماك والروبيان في عدد من الدول
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تطوير شبكة تحمل اسم HIDANet وهي شبكة عصبية التفافية خفيفة لا يتجاوز عدد معاملاتها 0.033 مليون معامل، لتتعلم تصنيف سبع مراحل نمائية ليرقات الروبيان تمتد من المرحلة الخامسة إلى المرحلة الثانية عشرة، مع تقدير القياسات الشكلية لليرقات انطلاقًا من صورة رقمية ملتقطة ليرقة محددة، وتعتمد بنية الشبكة على الالتفاف القابل للفصل العمقي متعدد الفروع والمتجانس الاتجاهات وعلى الربط على مستوى القنوات وعلى وحدة انتباه الالتفاف التي تعيد معايرة الخصائص القنواتية والمكانية بصورة متتابعة، وعالجت الدراسة مشكلة تحيز لون الخلفية في الصور بمنظومة تعزيز قوية للبيانات شملت اهتزازًا لونيًا قويًا وتحويلًا عشوائيًا إلى التدرج الرمادي وتباينًا تلقائيًا عشوائيًا واضطرابات هندسية متنوعة، مع ترجيح للعينات وفق التردد العكسي لمعالجة اختلال توازن الفئات، ودُرّبت الشبكة على ما مجموعه 5835 صورة جُمعت من المفرخات، واستكمل الإطار بمسار عمل متكامل يجمع بين تحسين الصور بتقنية معادلة الهستوغرام التكيفية محدودة التباين والعتبة التكيفية الغاوسية والترشيح الشكلي القائم على الهيكل العظمي لليرقة، بما يتيح عدّ اليرقات آليًا وقياس مساحات التجمعات وأطوال الأفراد وتصنيف الكثافة إلى ثلاثة مستويات منخفضة ومتوسطة وعالية
ثانيًا: أبرز النتائج
1، بلغت دقة اختبار الشبكة 98.44 بالمئة مع المدخلات الملونة و96.89 بالمئة مع مدخلات التدرج الرمادي، وهو تقارب لافت يؤكد أن الشبكة تعلمت الخصائص الشكلية الحقيقية لليرقات بمعزل عن إشارات الخلفية اللونية
2، سجلت الشبكة في مقياس F1 متوسطًا كليًا عبر الفئات بلغت قيمته 0.99، بما يعكس توازنًا عاليًا بين دقة التصنيف وقدرته على استرجاع أفراد كل مرحلة من المراحل السبع
3، أثبتت منظومة تعزيز البيانات فعاليتها في إزالة تحيز لون الخلفية، إذ حافظ النموذج على أدائه المرتفع حتى مع الصور الرمادية الخالية تمامًا من أي معلومة لونية
4، أتاح مسار العمل المتكامل تصنيف مراحل اليرقات وتقييم أعدادها في الصورة ذاتها وفي الوقت نفسه، مع قياسات آلية للعدد والمساحة والطول ومستوى الكثافة، بما يختصر خطوات مراقبة الجودة التقليدية المتفرقة
ثالثًا: دلالات الدراسة وتطبيقاتها
تفتح هذه الدراسة بابًا عمليًا أمام أتمتة مراقبة الجودة في أنظمة الاستزراع المائي التجارية، إذ تقدم طريقة قابلة للتوسع ومنخفضة التكلفة للمتابعة في الزمن الحقيقي دون الحاجة إلى حواسيب فائقة القدرة أو خبرات بشرية نادرة، وهو ما يناسب المفرخات الصغيرة والمتوسطة في المنطقة العربية التي تسعى إلى رفع كفاءتها وتقليل فاقد الإنتاج، كما تحمل الدراسة درسًا منهجيًا مهمًا لطلاب الدراسات العليا والباحثين في الرؤية الحاسوبية يتمثل في ضرورة التحقق من تحيزات البيانات الخفية كمصدر لون الخلفية قبل الوثوق بدقة النماذج المُبلّغ عنها، فالنموذج الذي يتعلم الخلفية بدل الظاهرة ينهار عند أول تغير في بيئة التصوير، بينما تضمن إجراءات التعزيز والتحقق المتبعة هنا أن يكون التعلم شكليًا أصيلًا قابلًا للتعميم على مفرخات وظروف تصوير جديدة
وخلاصة القول إن إطار HIDANet يقدم حلًا متكاملًا وخفيفًا لتصنيف مراحل يرقات الروبيان وتقدير قياساتها الشكلية بدقة عالية تحققت منها الدراسة عبر مدخلات ملونة ورمادية على السواء، ويجمع بين التصنيف والعد والقياس في مسار عمل واحد، بما يجعله نموذجًا واعدًا لتطبيقات الذكاء الاصطناعي في الاستزراع المائي وضبط جودة الإنتاج السمكي
