Puuvillakasvatus on Ameerika Ühendriikide põllumajanduse oluline osa, mis annab majandusele märkimisväärse panuse. Ainuüksi 2021. aastal koristasid põllumehed üle 10 miljoni aakri puuvilla, tootes üle 18 miljoni palli, mille väärtus oli peaaegu 7,5 miljardit. Vaatamata majanduslikule tähtsusele seisab puuvillakasvatus silmitsi suure probleemiga: umbrohuga.
Umbrohud, mis on kõrvalkultuuride kõrval kasvavad soovimatud taimed, konkureerivad puuvillataimedega oluliste ressursside, näiteks vee, toitainete ja päikesevalguse pärast. Kui neid kontrollimatult ei kontrollita, võivad need saagikust vähendada kuni 50% võrra.Lisaks rahalisele koormusele tekitab liigne herbitsiidide kasutamine keskkonnaprobleeme, saastades pinnast ja veeallikaid.
Nende probleemide lahendamiseks pöörduvad teadlased täppispõllumajanduse tehnoloogiate poole – põllumajandusmeetodi poole, mis kasutab andmepõhiseid tööriistu põllutasemel majandamise optimeerimiseks. Üks murranguline lahendus on YOLOv8 mudel – tipptasemel tehisintellekti tööriist umbrohu reaalajas tuvastamiseks.
Herbitsiidiresistentsuse tõus ja selle mõju
Herbitsiidiresistentsete (HR) puuvillaseemnete laialdane kasutuselevõtt alates 1996. aastast on muutnud põllumajandustavasid. HR-kultuure geneetiliselt muundatakse, et need ellu jääksid teatud herbitsiidide suhtes, võimaldades põllumeestel pritsida kemikaale, näiteks glüfosaati, otse põllukultuuridele neid kahjustamata.
2020. aastaks kasutati 96% USA puuvillakasvatusalast HR-sorte, mis tekitas herbitsiididest sõltuvuse tsükli. Algselt oli see lähenemisviis tõhus, kuid aja jooksul arenesid umbrohud loodusliku valiku teel resistentseks.
Tänapäeval nakatavad herbitsiidiresistentsed umbrohud 70% USA farmidest, sundides põllumehi kasutama 30% rohkem kemikaale kui kümme aastat tagasi. Näiteks Palmer-amarant, kiiresti kasvav ja suure paljunemisvõimega umbrohi, võib puuvillasaaki vähendada 79% võrra, kui seda varakult ei tõrjuta.
Rahaline koormus on tohutu: resistentsete umbrohtude tõrje maksab põllumeestele igal aastal miljardeid, samas kui herbitsiidide äravool saastab 411 TP3 tonni mageveeallikaid põllumaa lähedal. Need väljakutsed rõhutavad pakilist vajadust uuenduslike lahenduste järele, mis vähendaksid sõltuvust kemikaalidest, säilitades samal ajal saagi tootlikkuse.
Masinnägemine: jätkusuutlik alternatiiv umbrohutõrjele
Herbitsiidiresistentsuse kriisile reageerides arendavad teadlased masinnägemissüsteeme – tehnoloogiaid, mis ühendavad kaameraid, andureid ja tehisintellekti algoritme – umbrohtude täpseks tuvastamiseks ja klassifitseerimiseks. Masinnägemine jäljendab inimese visuaalset taju, kuid suurema kiiruse ja täpsusega, võimaldades automatiseeritud otsuste langetamist.
Need süsteemid võimaldavad sihipäraseid sekkumisi, näiteks robotumbrohutõrjevahendeid, mis eemaldavad taimi mehaaniliselt, või nutikaid pritse, mis kannavad herbitsiide ainult vajadusel. Nende tehnoloogiate varajastel versioonidel oli raskusi täpsusega, sageli tuvastades põllukultuure ekslikult umbrohtudena või jättes väikesed taimed tuvastamata.
Süvaõppe – masinõppe alamhulga, mis kasutab andmete analüüsimiseks mitmekihilisi närvivõrke – edusammud on aga jõudlust märkimisväärselt parandanud. Konvolutsioonilised närvivõrgud (CNN-id), mis on pildianalüüsiks optimeeritud süvaõppe mudeli tüüp, paistavad silma visuaalsete andmete mustrite tuvastamisel.
Mudelite perekond „Yolo“ (You Only Look Once), mis on tuntud oma kiiruse ja täpsuse poolest objektide tuvastamisel, on muutunud eriti populaarseks põllumajanduses. Uusim versioon, YOLOv8, saavutab umbrohu tuvastamisel täpsuse üle 90%, muutes seda täppispõllumajanduses revolutsiooniliseks.
CottonWeedDet12 andmestik: edu alus
Usaldusväärsete tehisintellekti mudelite treenimine nõuab kvaliteetseid andmeid ja CottonWeedDet12 andmestik on umbrohu tuvastamise uuringute jaoks kriitilise tähtsusega ressurss. Andmestik on struktureeritud andmete kogum, mida kasutatakse masinõppe mudelite treenimiseks ja testimiseks.
Mississippi Riikliku Ülikooli uurimisfarmidest kogutud andmestik sisaldab 5648 puuvillapõldude kõrgresolutsiooniga pilti, millele on lisatud 9370 piiravat kasti, mis identifitseerivad 12 levinud umbrohuliiki. Piirdavad kastid on piltidel huvipakkuvate objektide (nt umbrohtude) ümber joonistatud ristkülikukujulised raamid, mis pakuvad täpseid asukohti tehisintellekti mudelite treenimiseks. Peamised funktsioonid on järgmised:
- 12 umbrohuklassiVesihein (kõige sagedasem), harilik imbkell, palmer-rebashein, täpiline piimalill ja teised.
- 9370 piirava kasti märkustAsjatundlikult märgistatud VGG pildimärkija (VIA) abil.
- Mitmekesised tingimusedPildid on jäädvustatud erineva valguse (päikesepaisteline, pilvine), kasvufaaside ja mullastiku taustaga.
Umbrohud ulatuvad vesiheinast (kõige sagedasem) hariliku hommikusöögi, palmer-rebaranti ja täpilise piimalilleni. Selleks, et andmestik kajastaks tegelikke tingimusi, jäädvustati pilte erineva valguse (päikesepaisteline, pilvine) all ja erinevates kasvufaasides.
Näiteks mõned umbrohud ilmuvad väikeste võrsetena, teised aga on täielikult kasvanud. Lisaks sisaldab andmestik mitmekesist mullatausta ja taimede paigutust, mis jäljendab tegelike puuvillapõldude keerukust.
Enne YOLOv8 mudeli treenimist eeltöötlesid teadlased andmeid, et parandada nende töökindlust. Eeltöötlus hõlmab toorandmete muutmist, et parandada nende sobivust tehisintellekti treenimiseks. Tihedate umbrohtude populatsioonide simuleerimiseks aitasid kasutada sellised tehnikad nagu mosaiik-augmentatsioon, mis ühendab neli pilti üheks.
Teised meetodid, näiteks juhuslik skaleerimine ja ümberpööramine, valmistasid mudeli ette taime suuruse ja orientatsiooni variatsioonide käsitlemiseks.
- Skaleerimine (±50%), nihutamine (±30°) ja pööramine reaalse maailma varieeruvuse jäljendamiseks.
T-SNE (t-Distributed Stochastic Neighbor Embedding) visualiseerimistehnika – masinõppe algoritm, mis vähendab andmete mõõtmeid visuaalsete klastrite loomiseks – näitas iga umbrohuklassi jaoks erinevaid rühmitusi, kinnitades andmestiku sobivust koolitusmudelite jaoks, et tuvastada liikide vahelisi peeneid erinevusi.
YOLOv8: tehnilised uuendused ja arhitektuurilised edusammud
YOLOv8 tugineb varasemate YOLO mudelite edule, pakkudes arhitektuurilisi täiustusi, mis on kohandatud põllumajanduslike rakenduste jaoks. Selle tuumaks on CSPDarknet53, närvivõrgu selgroog, mis on loodud piltidelt hierarhiliste tunnuste eraldamiseks. Neuraalvõrgu selgroog on mudeli peamine komponent, mis vastutab sisendandmete töötlemise ja asjakohaste tunnuste eraldamise eest.
CSPDarknet53 kasutab treeningu ajal gradiendivoo parandamiseks ristetapilisi osaühendusi (CSP) – disaini, mis jagab võrgu tunnuskaardid kaheks osaks, töötleb neid eraldi ja ühendab need hiljem.
Gradientvoog viitab sellele, kui tõhusalt närvivõrk oma parameetreid vigade minimeerimiseks uuendab, ja selle täiustamine tagab mudeli tõhusa õppimise. Arhitektuur integreerib ka tunnuspüramiidivõrgu (FPN) ja teekonna agregeerimise võrgu (PAN), mis töötavad koos umbrohu tuvastamiseks mitmel skaalal.
- FPNTuvastab mitmemõõtmelisi objekte (nt väikesed seemikud vs küpsed umbrohud).
- PANParandab lokaliseerimise täpsust, ühendades funktsioone võrgukihtide vahel.
FPN on struktuur, mis ühendab suure eraldusvõimega tunnuseid (väikeste objektide tuvastamiseks) semantiliselt rikkalike tunnustega (suurte objektide äratundmiseks), samas kui PAN täpsustab lokaliseerimise täpsust, ühendades tunnuseid võrgukihtide vahel. Näiteks tuvastab FPN väikesed seemikud, samas kui PAN täpsustab küpsete umbrohtude lokaliseerimist.
Erinevalt vanematest mudelitest, mis tuginevad eelnevalt määratletud ankrukastidele – eelnevalt määratud piiravate kastide kujudele, mida kasutatakse objektide asukoha ennustamiseks –, kasutab YOLOv8 ankruvabasid tuvastuspäid. Need pead ennustavad objektide keskpunkte otse, välistades keerulised arvutused ja vähendades valepositiivseid tulemusi.
See uuendus mitte ainult ei suurenda täpsust, vaid kiirendab ka töötlemist, kusjuures YOLOv8 analüüsib pilti NVIDIA T4 GPU-l – tehisintellekti ülesannete jaoks optimeeritud suure jõudlusega graafikaprotsessoril – kõigest 6,3 millisekundiga.
Mudeli kadufunktsioon – matemaatiline valem, mis mõõdab, kui hästi mudeli ennustused vastavad tegelikele andmetele – ühendab piirava kasti täpsuse jaoks CloU kadu, klassifitseerimise jaoks ristentroopia kadu ja tasakaalustamata andmete käsitlemiseks jaotuse fookuskao. CloU (täielik ristumine liidu kohal) kadu parandab piirava kasti joondamist, võttes arvesse kattuvusala, keskpunktide kaugust ja ennustatud ja tegelike kastide vahelist kuvasuhet.
Matemaatiliselt, kogukahju on: L(θ)=7,5⋅Lbox+0,5⋅Lcls+0,375⋅Ldfl+Regulariseerimine
Rist-entroopia kadu hindab klassifitseerimise täpsust, võrreldes ennustatud tõenäosusi tegelike siltidega, samas kui jaotuse fookuskaotus tegeleb klassi tasakaalustamatusega, karistades mudelit haruldaste umbrohtude vale klassifitseerimise eest.
Võrreldes varasemate YOLO versioonidega ületab YOLOv8 neid kõiki. Näiteks saavutas YOLOv4 keskmise täpsuse (mAP) 95,22% piirdekasti kattuvuse juures 50%, samas kui YOLOv8 ulatus 96,10%-ni. mAP on mõõdik, mis keskmistab täpsusskoori kõigis kategooriates, kusjuures kõrgemad väärtused näitavad paremat tuvastustäpsust.
Samamoodi oli YOLOv8 mAP mitme kattuvuse läve (0,5 kuni 0,95) ulatuses 93,20%, ületades YOLOv4 oma 89,48%. Need täiustused muudavad YOLOv8 kõige täpsemaks ja tõhusamaks mudeliks umbrohu tuvastamiseks puuvillapõldudel.
Mudeli treenimine: metoodika ja tulemused
YOLOv8 treenimiseks kasutasid teadlased ülekandeõpet – tehnikat, kus eelkoolitatud mudelit (mis on juba suure andmestiku peal treenitud) täiustatakse uute andmete põhjal. Ülekandeõpe vähendab treenimisaega ja parandab täpsust, kasutades ära varasematest ülesannetest saadud teadmisi.
Mudel töötles pilte 32-osaliste partiidena, kasutades AdamW optimeerijat – Adami optimeerimisalgoritmi varianti, mis hõlmab kaalulangust, et vältida ülepaigutust – õppimiskiirusega 0,001.
Üle 100 epohhi (treeningtsükli) õppis mudel eristama umbrohtu puuvillataimedest märkimisväärse täpsusega. Andmete täiendamise strateegiad, näiteks piltide juhuslik pööramine ja nende heleduse reguleerimine, tagasid, et mudel suutis toime tulla reaalse varieeruvusega.
Tulemused olid muljetavaldavad. Esimese 20 epohhi jooksul saavutas mudel täpsuse üle 90%, mis näitab kiiret õppimist. Treeningu lõpuks tuvastas YOLOv8 suuri umbrohtusid täpsusega 94,40%.
Väiksemad umbrohud osutusid aga keerulisemaks, täpsus langes 11,90%-ni. See lahknevus tuleneb andmestiku tasakaalustamatusest: suured umbrohud olid üleesindatud, samas kui väikesed seemikud olid haruldased. Vaatamata sellele piirangule tähistab YOLOv8 üldine jõudlus olulist edasiminekut.
Väljakutsed ja tulevikusuunad
Kuigi YOLOv8 näitab tohutut potentsiaali, on väljakutseid endiselt. Väikeste umbrohtude tuvastamine on varajase sekkumise jaoks kriitilise tähtsusega, kuna seemikuid on lihtsam hooldada.
Selle probleemi lahendamiseks pakuvad teadlased välja generatiivsete võistlevate võrkude (GAN) – tehisintellekti mudelite klassi, kus kaks närvivõrku (generaator ja diskriminaator) võistlevad realistlike sünteetiliste andmete loomise nimel –, et genereerida väikeste umbrohtude kunstlikke kujutisi, tasakaalustades andmestikku.
Teine lahendus hõlmab multispektraalse pildistamise integreerimist, mis jäädvustab andmeid nähtava valguse ulatusest (nt lähiinfrapunakiirgusest), et suurendada kontrasti põllukultuuride ja umbrohtude vahel. Lähiinfrapunaandurid tuvastavad klorofülli sisaldust, muutes taimed eredamaks ja mullast paremini eristatavaks.
YOLO tulevased versioonid, näiteks YOLOv9 ja YOLOv10, võivad täpsust veelgi parandada. Eeldatakse, et need mudelid sisaldavad transformaatorkihte – teatud tüüpi närvivõrgu arhitektuuri, mis töötleb andmeid paralleelselt, jäädvustades pikaajalisi sõltuvusi tõhusamalt kui traditsioonilised CNN-id – ja dünaamilisi tunnuspüramiide, mis kohanduvad objektide suurusega. Sellised edusammud võivad aidata väikseid umbrohtusid usaldusväärsemalt tuvastada.
Põllumeeste jaoks on järgmine samm välikatsed. YOLOv8 ja kaameratega varustatud autonoomsed umbrohutõrjevahendid suudaksid puuvillaridudes navigeerida, eemaldades umbrohtu mehaaniliselt. Samamoodi võiksid tehisintellektiga pihustitega droonid herbitsiide täpselt sihtida, vähendades kemikaalide kasutamist kuni 90% võrra.
Need tehnoloogiad mitte ainult ei vähenda kulusid, vaid kaitsevad ka ökosüsteeme, mis on kooskõlas säästva põllumajanduse eesmärkidega – põllumajandusfilosoofiaga, mis seab esikohale keskkonna tervise, majandusliku kasumlikkuse ja sotsiaalse võrdsuse.
Kokkuvõte
Herbitsiidiresistentsete umbrohtude levik on sundinud põllumajandust uuendustele ja YOLOv8 kujutab endast läbimurret täppis-umbrohutõrjes. Saavutades reaalajas tuvastamisel 96.10% täpsuse, annab see mudel põllumeestele võimaluse vähendada herbitsiidide kasutamist, vähendada kulusid ja kaitsta keskkonda.
Kuigi sellised väljakutsed nagu väikeste umbrohtude tuvastamine püsivad, pakuvad tehisintellekti ja sensoritehnoloogia pidevad edusammud lahendusi. Nende tööriistade arenedes lubavad nad muuta puuvillakasvatuse jätkusuutlikumaks ja tõhusamaks praktikaks. Lähiaastatel võib YOLOv8 integreerimine autonoomsetesse süsteemidesse põllumajandust revolutsiooniliselt muuta.
Põllumajandustootjad võivad umbrohu tõrjeks loota nutikatele robotitele ja droonidele, vabastades aega ja ressursse muudeks ülesanneteks. See üleminek andmepõhisele põllumajandusele mitte ainult ei kaitse saagikust, vaid tagab ka tulevastele põlvedele tervema planeedi. Selliste tehnoloogiate nagu YOLOv8 omaksvõtmisega saab põllumajandussektor ületada herbitsiidiresistentsuse väljakutsed ja sillutada teed rohelisemale ja produktiivsemale tulevikule.
ViideKhan, AT, Jensen, SM ja Khan, AR (2025). Täppispõllumajanduse edendamine: YOLOv8 võrdlev analüüs mitmeklassilise umbrohu tuvastamiseks puuvillakasvatuses. Artificial Intelligence in Agriculture, 15, 182–191. https://doi.org/10.1016/j.aiia.2025.01.013

















