Uprawa bawełny jest istotną częścią rolnictwa w Stanach Zjednoczonych, wnosząc znaczący wkład w gospodarkę. Tylko w 2021 roku rolnicy zebrali ponad 10 milionów akrów bawełny, produkując ponad 18 milionów bel o wartości prawie 7,5 miliarda. Pomimo swojego znaczenia gospodarczego, uprawa bawełny stoi przed poważnym wyzwaniem: chwastami.
Chwasty, czyli niepożądane rośliny rosnące obok upraw, konkurują z roślinami bawełny o niezbędne zasoby, takie jak woda, składniki odżywcze i światło słoneczne. Jeśli nie zostaną zwalczone, mogą zmniejszyć plony nawet o 50%.Oprócz obciążeń finansowych, nadmierne stosowanie herbicydów powoduje problemy środowiskowe, zanieczyszczając glebę i źródła wody.
Aby sprostać tym wyzwaniom, naukowcy sięgają po technologie rolnictwa precyzyjnego – podejście rolnicze wykorzystujące narzędzia oparte na danych do optymalizacji zarządzania na poziomie pola. Jednym z przełomowych rozwiązań jest model YOLOv8 – najnowocześniejsze narzędzie AI do wykrywania chwastów w czasie rzeczywistym.
Wzrost odporności na herbicydy i jego wpływ
Powszechne stosowanie nasion bawełny odpornych na herbicydy (HR) od 1996 roku zmieniło praktyki rolnicze. Uprawy HR są modyfikowane genetycznie, aby przetrwać działanie określonych herbicydów, co pozwala rolnikom na opryskiwanie upraw środkami chemicznymi, takimi jak glifosat, bezpośrednio bez ich uszkadzania.
Do 2020 roku na 961 TP3T amerykańskich areałów bawełny uprawiano odmiany HR, co zapoczątkowało cykl uzależnienia od herbicydów. Początkowo to podejście było skuteczne, ale z czasem chwasty wykształciły odporność na drodze selekcji naturalnej.
Obecnie chwasty odporne na herbicydy atakują 70% amerykańskich gospodarstw rolnych, zmuszając rolników do stosowania większej ilości środków chemicznych niż dekadę temu. Na przykład szarłat szorstki (Palmer Amaranth), szybko rosnący chwast o wysokiej reprodukcji, może zmniejszyć plony bawełny o 79%, jeśli nie zostanie wcześnie zwalczony.
Obciążenie finansowe jest ogromne: zwalczanie odpornych chwastów kosztuje rolników miliardy dolarów rocznie, a spływ herbicydów zanieczyszcza 411 ton sześciennych wody słodkiej w pobliżu pól uprawnych. Te wyzwania podkreślają pilną potrzebę innowacyjnych rozwiązań, które zmniejszą zależność od chemikaliów, a jednocześnie utrzymają produktywność upraw.
Wizja maszynowa: zrównoważona alternatywa w walce z chwastami
W odpowiedzi na kryzys odporności na herbicydy, naukowcy opracowują systemy wizji maszynowej – technologie łączące kamery, czujniki i algorytmy sztucznej inteligencji (AI) – które umożliwiają precyzyjne wykrywanie i klasyfikowanie chwastów. Wizja maszynowa naśladuje ludzką percepcję wzrokową, ale z większą szybkością i precyzją, umożliwiając automatyczne podejmowanie decyzji.
Systemy te umożliwiają ukierunkowane interwencje, takie jak robotyczne odchwaszczacze, które mechanicznie usuwają rośliny, lub inteligentne opryskiwacze, które aplikują herbicydy tylko tam, gdzie jest to konieczne. Wczesne wersje tych technologii miały problemy z dokładnością, często błędnie identyfikując uprawy jako chwasty lub nie wykrywając małych roślin.
Jednak postęp w uczeniu głębokim – podgrupie uczenia maszynowego wykorzystującej wielowarstwowe sieci neuronowe do analizy danych – znacząco poprawił wydajność. Konwolucyjne sieci neuronowe (CNN), rodzaj modelu uczenia głębokiego zoptymalizowanego pod kątem analizy obrazu, doskonale rozpoznają wzorce w danych wizualnych.
Rodzina modeli You Only Look Once (YOLO), znana z szybkości i dokładności wykrywania obiektów, zyskała szczególną popularność w rolnictwie. Najnowsza wersja, YOLOv8, osiąga dokładność wykrywania chwastów przekraczającą 90%, co czyni ją przełomem w rolnictwie precyzyjnym.
Zbiór danych CottonWeedDet12: podstawa sukcesu
Szkolenie niezawodnych modeli AI wymaga danych wysokiej jakości, a zbiór danych CottonWeedDet12 jest kluczowym zasobem dla badań nad wykrywaniem chwastów. Zbiór danych to ustrukturyzowany zbiór danych służący do trenowania i testowania modeli uczenia maszynowego.
Ten zbiór danych, zebrany z farm badawczych Uniwersytetu Stanowego Mississippi, zawiera 5648 obrazów pól bawełny o wysokiej rozdzielczości, opatrzonych 9370 ramkami ograniczającymi, identyfikującymi 12 pospolitych gatunków chwastów. Ramki ograniczające to prostokątne ramki narysowane wokół interesujących obiektów (np. chwastów) na obrazach, zapewniające precyzyjne lokalizacje do trenowania modeli sztucznej inteligencji. Najważniejsze funkcje obejmują:
- 12 klas chwastów: Komosa biała (najczęściej występująca), powój, szarłat szorstki, wilczomlecz plamisty i inne.
- 9370 adnotacji w postaci pól ograniczających:Profesjonalnie oznaczone przy użyciu oprogramowania VGG Image Annotator (VIA).
- Różnorodne warunki:Zdjęcia wykonane przy różnym oświetleniu (słonecznym, zachmurzonym), różnych etapach wzrostu i różnym tle gleby
Chwasty obejmują komosę wodną (najczęściej występującą), powój polny, szarłat szorstki i wilczomlecz plamisty. Aby zapewnić, że zbiór danych odzwierciedla rzeczywiste warunki, zdjęcia wykonano w różnym oświetleniu (słonecznie, pochmurno) i na różnych etapach wzrostu.
Na przykład niektóre chwasty pojawiają się jako małe siewki, podczas gdy inne są w pełni rozwinięte. Ponadto zbiór danych obejmuje zróżnicowane podłoża glebowe i układy roślin, odzwierciedlając złożoność rzeczywistych pól bawełny.
Przed rozpoczęciem trenowania modelu YOLOv8 badacze poddali dane wstępnemu przetworzeniu w celu zwiększenia ich odporności. Wstępne przetwarzanie polega na modyfikacji surowych danych w celu zwiększenia ich przydatności do trenowania sztucznej inteligencji. Techniki takie jak augmentacja mozaikowa – łącząca cztery obrazy w jeden – pomogły w symulacji gęstych populacji chwastów.
Inne metody, takie jak losowe skalowanie i odwracanie, przygotowały model do radzenia sobie ze zmianami wielkości i orientacji roślin.
- Skalowanie (±50%), ścinanie (±30°) i odwracanie w celu odwzorowania zmienności występującej w świecie rzeczywistym.
Technika wizualizacji o nazwie t-SNE (t-Distributed Stochastic Neighbor Embedding) — algorytm uczenia maszynowego, który redukuje wymiary danych w celu tworzenia wizualnych klastrów — ujawniła odrębne grupowania dla każdej klasy chwastów, potwierdzając tym samym przydatność zbioru danych do trenowania modeli w celu rozpoznawania subtelnych różnic między gatunkami.
YOLOv8: Innowacje techniczne i postęp architektoniczny
YOLOv8 bazuje na sukcesie wcześniejszych modeli YOLO, oferując ulepszenia architektoniczne dostosowane do zastosowań rolniczych. Jego rdzeniem jest CSPDarknet53, szkielet sieci neuronowej zaprojektowany do ekstrakcji cech hierarchicznych z obrazów. Szkielet sieci neuronowej jest głównym komponentem modelu odpowiedzialnym za przetwarzanie danych wejściowych i ekstrakcję istotnych cech.
CSPDarknet53 wykorzystuje połączenia Cross Stage Partial (CSP) — konstrukcję, która dzieli mapy cech sieci na dwie części, przetwarza je osobno, a następnie łączy — w celu usprawnienia przepływu gradientów podczas szkolenia.
Przepływ gradientowy odnosi się do tego, jak skutecznie sieć neuronowa aktualizuje swoje parametry, aby zminimalizować błędy, a jego udoskonalenie zapewnia efektywne uczenie się modelu. Architektura integruje również sieć piramid cech (FPN) i sieć agregacji ścieżek (PAN), które współpracują ze sobą, aby wykrywać błędy w wielu skalach.
- FPN: Wykrywa obiekty wieloskalowe (np. małe sadzonki i dojrzałe chwasty).
- PATELNIA: Zwiększa dokładność lokalizacji poprzez łączenie funkcji w różnych warstwach sieci.
Sieć FPN to struktura łącząca cechy o wysokiej rozdzielczości (do wykrywania małych obiektów) z cechami o bogatej semantyce (do rozpoznawania dużych obiektów), podczas gdy sieć PAN udoskonala dokładność lokalizacji poprzez łączenie cech w różnych warstwach sieci. Na przykład sieć FPN identyfikuje małe siewki, a sieć PAN udoskonala lokalizację dojrzałych chwastów.
W przeciwieństwie do starszych modeli, które opierają się na predefiniowanych polach kotwiczących – predefiniowanych kształtach pól ograniczających, służących do przewidywania położenia obiektów – YOLOv8 wykorzystuje głowice detekcyjne bez kotwic. Głowice te bezpośrednio przewidują środki obiektów, eliminując złożone obliczenia i redukując liczbę fałszywych trafień.
To innowacyjne rozwiązanie nie tylko zwiększa dokładność, ale także przyspiesza przetwarzanie – YOLOv8 analizuje obraz w zaledwie 6,3 milisekundy na procesorze graficznym NVIDIA T4 — wydajnej jednostce przetwarzania grafiki zoptymalizowanej pod kątem zadań związanych ze sztuczną inteligencją.
Funkcja strat modelu – wzór matematyczny mierzący stopień zgodności prognoz modelu z rzeczywistymi danymi – łączy stratę CloU dla dokładności pola ograniczającego, stratę entropii krzyżowej dla klasyfikacji oraz stratę ogniska dystrybucji, aby obsługiwać dane niezrównoważone. Strata CloU (Complete Intersection over Union) poprawia wyrównanie pola ograniczającego, uwzględniając obszar nakładania się, odległość między środkami i współczynnik kształtu między polami przewidywanymi a rzeczywistymi.
Matematycznie, całkowita strata wynosi: L(θ)=7,5⋅Lbox+0,5⋅Lcls+0,375⋅Ldfl+Regulacja
Strata entropii krzyżowej ocenia dokładność klasyfikacji poprzez porównanie przewidywanych prawdopodobieństw z prawdziwymi etykietami, podczas gdy strata ogniskowa dystrybucji rozwiązuje problem nierównowagi klas poprzez większe karanie modelu za błędną klasyfikację rzadkich chwastów.
W porównaniu z poprzednimi wersjami YOLO, YOLOv8 przewyższa je wszystkie. Na przykład YOLOv4 osiągnął średnią precyzję (mAP) na poziomie 95,22% przy nałożeniu 50% na obwiednię, podczas gdy YOLOv8 osiągnął 96,10%. mAP to metryka uśredniająca wyniki precyzji we wszystkich kategoriach, przy czym wyższe wartości oznaczają lepszą dokładność wykrywania.
Podobnie, mAP YOLOv8 dla wielu progów nakładania się (od 0,5 do 0,95) wyniósł 93,20%, przewyższając 89,48% YOLOv4. Te ulepszenia czynią YOLOv8 najdokładniejszym i najskuteczniejszym modelem do wykrywania chwastów na polach bawełny.
Szkolenie modelu: metodologia i wyniki
Aby wytrenować YOLOv8, badacze wykorzystali uczenie transferowe – technikę, w której wstępnie wytrenowany model (już wytrenowany na dużym zbiorze danych) jest dostrajany na podstawie nowych danych. Uczenie transferowe skraca czas trenowania i poprawia dokładność, wykorzystując wiedzę zdobytą w poprzednich zadaniach.
Model przetwarzał obrazy w partiach po 32, wykorzystując optymalizator AdamW — wariant algorytmu optymalizacji Adam, który uwzględnia rozpad wag, aby zapobiec nadmiernemu dopasowaniu — ze współczynnikiem uczenia wynoszącym 0,001.
W ciągu ponad 100 epok (cykli treningowych) model nauczył się odróżniać chwasty od roślin bawełny z niezwykłą precyzją. Strategie agregacji danych, takie jak losowe odwracanie obrazów i dostosowywanie ich jasności, zapewniły modelowi możliwość radzenia sobie ze zmiennością w świecie rzeczywistym.
Wyniki były imponujące. W ciągu pierwszych 20 epok model osiągnął dokładność ponad 90%, co świadczy o szybkim uczeniu się. Pod koniec treningu YOLOv8 wykrył duże chwasty z dokładnością 94,40%.
Jednak mniejsze chwasty okazały się trudniejsze, a dokładność spadła do 11,90%. Ta rozbieżność wynika z nierównowagi zbioru danych: duże chwasty były nadreprezentowane, podczas gdy małe siewki występowały rzadko. Pomimo tego ograniczenia, ogólna wydajność YOLOv8 stanowi znaczący krok naprzód.
Wyzwania i przyszłe kierunki
Chociaż YOLOv8 jest niezwykle obiecujący, wciąż istnieją wyzwania. Wykrywanie małych chwastów ma kluczowe znaczenie dla wczesnej interwencji, ponieważ łatwiej jest zarządzać siewkami.
Aby rozwiązać ten problem, badacze proponują wykorzystanie generatywnych sieci przeciwstawnych (GAN) — klasy modeli sztucznej inteligencji, w której dwie sieci neuronowe (generator i dyskryminator) konkurują ze sobą w celu tworzenia realistycznych danych syntetycznych — w celu generowania sztucznych obrazów małych chwastów, równoważąc zbiór danych.
Innym rozwiązaniem jest integracja obrazowania wielospektralnego, które rejestruje dane wykraczające poza światło widzialne (np. w bliskiej podczerwieni), aby zwiększyć kontrast między uprawami a chwastami. Czujniki bliskiej podczerwieni wykrywają zawartość chlorofilu, dzięki czemu rośliny wydają się jaśniejsze i łatwiejsze do odróżnienia od gleby.
Przyszłe wersje YOLO, takie jak YOLOv9 i YOLOv10, mogą jeszcze bardziej zwiększyć dokładność. Oczekuje się, że modele te będą zawierać warstwy transformatorowe – rodzaj architektury sieci neuronowej, która przetwarza dane równolegle, rejestrując zależności dalekiego zasięgu skuteczniej niż tradycyjne sieci neuronowe – oraz dynamiczne piramidy cech, które dostosowują się do rozmiarów obiektów. Takie udoskonalenia mogą pomóc w skuteczniejszym wykrywaniu małych chwastów.
Kolejnym krokiem dla rolników będą testy polowe. Autonomiczne pielniki wyposażone w YOLOv8 i kamery mogłyby poruszać się po rzędach bawełny, usuwając chwasty mechanicznie. Podobnie drony z opryskiwaczami zasilanymi sztuczną inteligencją mogłyby precyzyjnie namierzać herbicydy, zmniejszając zużycie środków chemicznych nawet o 90%.
Technologie te nie tylko obniżają koszty, ale także chronią ekosystemy, co jest zgodne z celami zrównoważonego rolnictwa — filozofii rolniczej, która stawia na pierwszym miejscu zdrowie środowiska, rentowność ekonomiczną i równość społeczną.
Wniosek
Rozwój chwastów odpornych na herbicydy zmusił rolnictwo do innowacji, a YOLOv8 stanowi przełom w precyzyjnym zwalczaniu chwastów. Osiągając dokładność 96.10% w detekcji w czasie rzeczywistym, model ten pozwala rolnikom ograniczyć zużycie herbicydów, obniżyć koszty i chronić środowisko.
Choć wciąż istnieją wyzwania, takie jak wykrywanie drobnych chwastów, stały postęp w dziedzinie sztucznej inteligencji i technologii czujników oferuje rozwiązania. Wraz z rozwojem tych narzędzi, obiecują one przekształcić uprawę bawełny w bardziej zrównoważoną i wydajną praktykę. W nadchodzących latach integracja YOLOv8 z systemami autonomicznymi może zrewolucjonizować rolnictwo.
Rolnicy mogą polegać na inteligentnych robotach i dronach w walce z chwastami, oszczędzając czas i zasoby na inne zadania. To przejście na rolnictwo oparte na danych nie tylko zabezpiecza plony, ale także zapewnia zdrowszą planetę dla przyszłych pokoleń. Dzięki wdrożeniu technologii takich jak YOLOv8, sektor rolny może pokonać wyzwania związane z odpornością na herbicydy i utorować drogę do bardziej zielonej i produktywnej przyszłości.
Odniesienie: Khan, AT, Jensen, SM i Khan, AR (2025). Rozwój rolnictwa precyzyjnego: analiza porównawcza YOLOv8 w zakresie wieloklasowej detekcji chwastów w uprawie bawełny. Sztuczna inteligencja w rolnictwie, 15, 182-191. https://doi.org/10.1016/j.aiia.2025.01.013

















