Жеңіл YOLOv5 анықтау жүйесі арқасында арпа өсіру серпін алады

Қытайдың Цинхай-Тибет таулы платосының биік аймақтарында өсірілетін төзімді астық дақылы – таулы арпа жергілікті азық-түлік қауіпсіздігі мен экономикалық тұрақтылықты қамтамасыз етуде шешуші рөл атқарады. Ғылыми атауы Hordeum vulgare L., бұл дақыл экстремалды жағдайларда – жұқа ауада, оттегінің төмен деңгейінде және орташа жылдық температурасы 6,3°C – жақсы өседі, сондықтан ол қатал ортадағы қауымдастықтар үшін таптырмас.

Қытайда, негізінен Сицанг автономиялық аймағында оның өсірілуіне 270 000 гектардан астам жер бөлінген, таулы арпа аймақтағы егілген алқаптың жартысынан астамын және жалпы дән өндірісінің 701 TP3T-дан астамын құрайды. Арпа тығыздығын — бірлік аумаққа түсетін өсімдіктер немесе масақтар санын — дәл бақылау суару мен тыңайту сияқты ауылшаруашылық тәсілдерін оңтайландыру және өнімді болжау үшін өте маңызды.

Дегенмен, қолмен үлгі алу немесе спутниктік суретке түсіру сияқты дәстүрлі әдістер тиімсіз, еңбекке көп кететін немесе жеткілікті деңгейде егжей-тегжейлі емес болып шықты. Осы мәселелерді шешу үшін Фуцзянь ауыл шаруашылығы және орман шаруашылығы университеті мен Чэнду технологиялық университетінің зерттеушілері озық нысанды анықтау алгоритмі YOLOv5 негізіндегі инновациялық жасанды интеллект моделін әзірледі.

Олардың жұмысы жарияланған Өсімдік әдістері (2025) ерекше нәтижелерге қол жеткізді, соның ішінде жалпы анықтау дәлдігін өлшейтін орташа дәлдік көрсеткіші (mAP) 93.1% және есептеу шығындарын 75.6%-ға азайту, бұл оны нақты уақыттағы дрондарды қолдануға жарамды етеді.

Егінді бақылау саласындағы мәселелер мен инновациялар

Таулы арпаның маңызы тағам көзі ретіндегі рөлінен әлдеқайда асып түседі. Тек 2022 жылы арпа өсірумен айналысатын ірі өңір Риказе қаласында 60 000 гектар алқаптан 408 900 тонна арпа жиналып, бұл Тибеттің жалпы дән өнімінің жартысына жуығын құрады.

Мәдени және экономикалық маңызына қарамастан, арпа өнімін бағалау ұзақ уақыт бойы қиындық тудырып келеді. Дәстүрлі әдістер, мысалы қолмен санау немесе спутниктік суреттер, тым еңбекке сыйымды немесе жеке арпа шиелерін анықтауға қажетті ажыратымдылықтан айырылады — өсімдіктің дәндерін таситын бөлігі, әдетте ені небәрі 2–3 сантиметр.

Қолмен сынама алу фермерлерден егіс алқабының бөліктерін физикалық түрде тексеруді талап етеді — бұл үдеріс баяу, субъективті және ірі ауқымды шаруашылықтар үшін тиімсіз. Спутниктік суреттер кең ауқымды бақылаулар үшін пайдалы болғанымен, олардың төмен ажыратымдылығы (әдетте пиксельге шаққанда 10–30 метр) және жиі болатын ауа райы кедергілері, мысалы, Тибет сияқты таулы аймақтардағы бұлттылық, қиындық тудырады.

Осы шектеулерді еңсеру үшін зерттеушілер 20 мегапиксельді камералармен жабдықталған адамсыз ұшу аппараттарына (UAV), немесе дрондарға жүгінді. Бұл дрондар Риказе қаласындағы арпа алқаптарының өсудің екі маңызды кезеңінде 501 жоғары ажыратымдылықтағы суретті түсірді: 2022 жылғы тамыздағы өсу кезеңі, жасыл дамып келе жатқан масалармен сипатталатын, және 2023 жылғы тамыздағы пісіп-жетілу кезеңі, алтын-сары, жинауға дайын масалармен белгіленетін.

Алайда, осы суреттерді талдау бірқатар қиындықтар туғызды, соның ішінде дрондағы қозғалыстан туындаған шекаралардың бұлыңғырлануы, әуеден түсірілген кадрлардағы арпа сабандарының кішкентай көлемі және тығыз егілген алқаптардағы сабандардың үсті-үстіне жабылуы.

Осы мәселелерді шешу үшін зерттеушілер әрбір жоғары ажыратымдылықтағы суретті 35 кіші суретке бөліп, бұлыңғыр жиектерді сүзгіден өткізу арқылы 2 970 жоғары сапалы кіші суретті оқытуға дайындады. Бұл алдын ала өңдеу кезеңі модельдің анық әрі пайдалы деректерге шоғырлануын қамтамасыз етіп, төмен сапалы аймақтардың назар аудартуына жол бермеді.

Объектілерді анықтаудағы техникалық жетістіктер

Осы зерттеудің негізгі бөлігі – YOLOv5 алгоритмі (You Only Look Once, 5-нұсқа), жылдамдығы мен модульдік құрылымымен танымал бір сатылы нысанды анықтау моделі. Faster R-CNN сияқты ескі екі сатылы модельдер алдымен қызықтыратын аймақтарды анықтап, содан кейін нысандарды жіктесе, YOLOv5 анықтауды бір ғана өтуде орындайды, бұл оны айтарлықтай жылдам етеді.

Негізгі YOLOv5n моделі 1,76 миллион параметрмен (ЖИ моделінің бапталатын компоненттері) және 4,1 миллиард FLOPs (жартылай жүздік операциялар, есептеу күрделілігін өлшеу бірлігі) көрсеткішімен қазірдің өзінде тиімді болды. Алайда ұсақ, бір-біріне үсті-үстіне түсетін арпа сабақтарын анықтау қосымша оңтайландыруды талап етті.

Зерттеу тобы модельге үш негізгі жаңарту енгізді: тереңдік бойынша бөлінетін конволюция (DSConv), елес конволюциясы (GhostConv) және конволюциялық блокқа арналған назар аудару модулі (CBAM).

Тереңдік бойынша бөлінетін конволюция (DSConv) стандартты конволюция процесін — кескіннен ерекшеліктерді анықтайтын математикалық операцияны — екі қадамға бөлу арқылы есептеу шығындарын азайтады. Алдымен тереңдік бойынша конволюция жеке түс арналарына (мысалы, қызыл, жасыл, көк) фильтрлерді қолдана отырып, әр арнаны бөлек талдайды.

Одан кейін арналар бойымен 1×1 ядроларын пайдалана отырып нәтижелерді біріктіретін нүктелік конволюция жүргізіледі. Бұл тәсіл параметрлер санын 75%-ге дейін қысқартады.

Мысалы, дәстүрлі 3×3 конволюция 64 кіріс және 128 шығыс арна үшін 73 728 параметр талап етеді, ал DSConv оны небәрі 8 768-ге дейін қысқартады — 88% азайту. Бұл тиімділік өңдеу қуаты шектеулі дрондарға немесе мобильді құрылғыларға модельдерді орналастыруда аса маңызды.

Ghost convolution (GhostConv) ресурс көп қажет ететін convolutions-тың орнына айналдыру немесе масштабтау сияқты қарапайым сызықты операциялар арқылы қосымша ерекшелік карталарын (сурет үлгілерінің ықшамдалған бейнелері) жасап, модельді одан әрі жеңілдетеді.

Дәстүрлі конволюциялық қабаттар артықша ерекшеліктер жасап, есептеу ресурстарын ысырап етеді. GhostConv бұған бар ерекшеліктерден “ghost” ерекшеліктерін жасау арқылы шешім табады, нәтижесінде кейбір қабаттардағы параметрлер саны тиімді түрде жартысына дейін қысқарады.

Мысалы, 64 кіріс және 128 шығыс арнасы бар қабат дәстүрлі түрде талап етеді 73 728 параметрлер, бірақ GhostConv оны мынадай етіп қысқартады 36,864 дәлдікті сақтай отырып. Бұл әдіс есептеу тиімділігі аса маңызды болатын арпа сабақтары сияқты кішігірім нысандарды анықтауда ерекше пайдалы.

Конволюциялық блокқа назар аудару модулі (CBAM) модельге тіпті шатасқан ортада да маңызды сипаттамаларға шоғырлануға көмектесу үшін енгізілді. Адамның көру жүйесінен шабыт алған назар аудару механизмдері AI модельдеріне суреттің маңызды бөліктерін басымдықпен қарауға мүмкіндік береді.

CBAM екі түрлі назарды пайдаланады: арналық назар маңызды түс арналарын анықтайды (мысалы, өсіп келе жатқан шиптер үшін жасыл), ал кеңістіктік назар суреттегі негізгі аймақтарды (мысалы, шиптер кластерлерін) айқындайды. Стандартты модульдерді DSConv және GhostConv-пен алмастырып, CBAM-ды енгізу арқылы зерттеушілер арпаны анықтауға арналған ықшам әрі дәлірек модель жасады.

Іске асыру және нәтижелер

Модельді оқыту үшін зерттеушілер 135 бастапқы суретті қолмен белгілеп, арпа сабандарының орнын белгілейтін тіктөртбұрышты жақтауларды пайдаланды және сабандарды өсу мен пісіп-жетілу кезеңдеріне жіктеді. Деректерді кеңейту әдістері — айналдыру, шу енгізу, жабу және өткірлеу — деректер жиынтығын 2 970 суретке дейін ұлғайтып, модельдің әртүрлі дала жағдайларында жалпылау қабілетін жақсартты.

Мысалы, суреттерді 90°, 180° немесе 270° бұру моделіне шұңқырларды әртүрлі бұрыштардан тануға көмектесті, ал шуды қосу шаң-тозаң мен көлеңке сияқты нақты әлемдегі кемшіліктерді имитациялады. Деректер жиынтығы оқыту жиынтығына (80%) және валидация жиынтығына (20%) бөлінді, бұл сенімді бағалауды қамтамасыз етті.

Оқыту жоғары өнімді жүйеде өтті: AMD Ryzen 7 процессоры, NVIDIA RTX 4060 бейнежады және 64 ГБ жедел жады қолданылып, терең оқытуға арналған танымал PyTorch фреймворкі пайдаланылды. 300-ден астам оқыту эпохында (мәліметтер жиынтығын толық өту) модельдің дәлдігі (дұрыс анықталғандардың дәлдігі), recall (барлық тиісті спайктерді табу қабілеті) және loss (қателік деңгейі) мұқият бақыланды.

Нәтижелер таң қалдырарлық болды. Жақсартылған YOLOv5 моделі дәлдігі 92,2% (базалықтағы 89,1%-ден жоғары) және еске алу көрсеткіші 86,2% (83,1%-ден жоғары) көрсетті, екі көрсеткіш бойынша да бастапқы YOLOv5n-нен 3,1%-ге озып түсті. Оның орташа жалпы дәлдігі (mAP) — барлық санаттар бойынша анықтау дәлдігін орташа есеппен өлшейтін жан-жақты көрсеткіш — 93,1%-ке жетті, оның ішінде өсу кезеңінің шыңдары үшін 92,7% және жетілу кезеңінің шыңдары үшін 93,5%.

Сонымен қатар оның есептеу тиімділігі де бірдей таң қалдырды: модель параметрлері 70,61 есе қысқарды да 1,2 миллионға дейін төмендеді, ал FLOPS көрсеткіші 75,61 есе азайып, 3,1 миллиардқа дейін қысқарды. Faster R-CNN және YOLOv8n сияқты жетекші модельдермен салыстырмалы талдаулар оның артықшылығын көрсетті.

YOLOv8n сәл жоғары mAP (93,8%) көрсеткішіне қол жеткізгенімен, оның параметрлері (3,0 миллион) мен FLOPs (8,1 миллиард) тиісінше 2,5 және 2,6 есе көп болғандықтан, ұсынылған модель нақты уақыттағы қолданбалар үшін әлдеқайда тиімді.

Көзбен салыстыру осы жетістіктерді айқын көрсетті. Өсу кезеңіндегі суреттерде жетілдірілген модель бастапқы модельмен салыстырғанда 41 шыңды анықтады, ал бастапқы модель 28-ді анықтаған. Пісіп-жетілу кезеңінде ол 3 шыңды анықтады, ал бастапқы модель 2-ні анықтаған, сонымен қатар жіберіп алған анықтаулар (апельсин түсті жебелермен белгіленген) мен жалған оң нәтижелер (күлгін түсті жебелермен белгіленген) азайды.

Осы жетілдірулер өнімділікті болжау және ресурстарды оңтайландыру үшін дәл деректерге сүйенетін фермерлер үшін өте маңызды. Мысалы, дәл бүршік санын есептеу дән өнімін жақсырақ болжауға мүмкіндік береді, бұл орақ уақытын, сақтау және нарықты жоспарлау жөніндегі шешімдерді қабылдауға көмектеседі.

Болашақ бағыттар және практикалық салдары

Зерттеудің табыстарына қарамастан, оның шектеулері бар екені мойындалды. Өнімділік қатты түскі күн сәулесінің жарқылы немесе қою көлеңке сияқты экстремалды жарық жағдайларында төмендеді, олар шиптің бөлшектерін жасырып қалуы мүмкін. Сонымен қатар, тіктөртбұрышты шекаралық қораптар кейде дөрекі пішінді шиптерге сыймай, кішігірім дәлсіздіктерге әкелді.

Модель сондай-ақ ұшқышсыз ұшу аппаратының (UAV) суреттеріндегі бұлыңғыр жиектерді шығармайды, бұл қолмен алдын ала өңдеуді қажет етеді — бұл қадам уақыт пен күрделілікті арттырады.

Болашақ жұмыс осы мәселелерді таң сәріден, түстен және кеш батқан кезде түсірілген суреттерді деректер жиынтығына қосу, полигон пішінді аннотацияларды (бұрмаланған нысандарға жақсырақ сәйкес келетін икемді пішіндер) сынап көру және бұлыңғыр аймақтарды қолмен араласусыз жақсырақ өңдеуге арналған алгоритмдерді әзірлеу арқылы шешуді мақсат етеді.

Бұл зерттеудің маңызы зор. Тибет сияқты аймақтардағы фермерлер үшін бұл модель егін өнімділігін нақты уақыт режимінде бағалауды ұсынады, еңбекке сыйымды қолмен санауды дрондар негізіндегі автоматтандырумен алмастырады. Өсу кезеңдерін ажырату егін жинауды дәл жоспарлауға мүмкіндік береді, ерте немесе кешіктірілген орақтан келетін шығындарды азайтады.

Шоқтар тығыздығы туралы егжей-тегжейлі мәліметтер — мысалы, аз қоныстанған немесе тым тығыз аймақтарды анықтау — суару мен тыңайту стратегияларын жетілдіріп, су мен химикаттардың ысырап болуын азайтуға мүмкіндік береді. Арпадан бөлек, бұл жеңіл құрылым бидай, күріш немесе жеміс сияқты басқа да дақылдарға үміт күттіріп, дәл ауыл шаруашылығында кеңінен қолдануға жол ашады.

Қорытынды

Қорытындылай келе, бұл зерттеу ауыл шаруашылығындағы мәселелерді шешуде жасанды интеллекттің трансформативтік әлеуетін айқын көрсетеді. Зерттеушілер YOLOv5-ті инновациялық жеңіл әдістер арқылы жетілдіріп, дәлдік пен тиімділікті үйлестіретін құралды жасады, бұл ресурстары шектеулі нақты жағдайларда қолдану үшін аса маңызды.

mAP, FLOPs және назар аудару механизмдері сияқты терминдер техникалық болып көрінгенімен, олардың әсері терең практикалық: олар фермерлерге деректерге негізделген шешімдер қабылдауға, ресурстарды үнемдеуге және өнімділікті барынша арттыруға мүмкіндік береді. Климаттың өзгеруі мен халық санының өсуі жаһандық азық-түлік жүйелеріне қысымды күшейте түскен сайын, мұндай жетістіктер таптырмас болады.

Тибет пен одан тыс аймақтардағы фермерлер үшін бұл технология тек ауыл шаруашылығы тиімділігіндегі секіріс қана емес, белгісіз болашақтағы тұрақты азық-түлік қауіпсіздігіне үміт сәулесі болып табылады.

Дереккөз: Цай, М., Дэн, Х., Цай, Дж. және т.б. Жақсартылған YOLOv5 негізіндегі жеңіл таулы арпаны анықтау. Plant Methods 21, 42 (2025). https://doi.org/10.1186/s13007-025-01353-0