Как обнаружение множества сорняков на основе YOLOv8 повышает точность возделывания хлопка?

Хлопководство - важнейшая часть сельского хозяйства Соединенных Штатов, вносящая значительный вклад в экономику страны. Только в 2021 году фермеры собрали более 10 миллионов акров хлопка, произведя более 18 миллионов тюков стоимостью почти

$7.5 bi ll i o n .$ Помимо финансовых трудностей, чрезмерное использование гербицидов вызывает опасения за состояние окружающей среды, загрязняя почву и водные источники.

Чтобы решить эти проблемы, исследователи обращаются к технологиям точного земледелия - подходу, который использует инструменты, основанные на данных, для оптимизации управления на уровне поля. Одним из новаторских решений является модель YOLOv8 - передовой инструмент искусственного интеллекта для обнаружения сорняков в режиме реального времени.

Рост устойчивости к гербицидам и его последствия

Широкое распространение семян хлопка, устойчивого к гербицидам (HR), начиная с 1996 года, изменило методы ведения сельского хозяйства. Устойчивые к гербицидам культуры генетически модифицированы, чтобы противостоять определенным гербицидам, что позволяет фермерам распылять химикаты, такие как глифосат, непосредственно над посевами, не причиняя им вреда.

К 2020 году на 96% площадей хлопчатника в США будут использоваться сорта HR, что создаст цикл зависимости от гербицидов. Изначально такой подход был эффективным, но со временем сорняки выработали устойчивость к нему в результате естественного отбора.

Сегодня устойчивые к гербицидам сорняки поражают 70% американских ферм, вынуждая фермеров использовать на 30% больше химикатов, чем десять лет назад. Например, амарант Палмера, быстрорастущий сорняк с высокой скоростью размножения, может снизить урожайность хлопка на 79%, если не бороться с ним на ранних стадиях.

Финансовое бремя огромно: борьба с устойчивыми сорняками обходится фермерам в миллиарды ежегодно, а стоки гербицидов загрязняют 41% источников пресной воды вблизи сельскохозяйственных угодий. Эти проблемы подчеркивают острую необходимость в инновационных решениях, которые позволят снизить потребность в химикатах и при этом сохранить продуктивность сельскохозяйственных культур.

Машинное зрение: Устойчивая альтернатива для борьбы с сорняками

В ответ на кризис устойчивости к гербицидам исследователи разрабатывают системы машинного зрения - технологии, объединяющие камеры, датчики и алгоритмы искусственного интеллекта, - для точного обнаружения и классификации сорняков. Машинное зрение имитирует визуальное восприятие человека, но с большей скоростью и точностью, что позволяет принимать решения в автоматическом режиме.

Эти системы позволяют осуществлять целенаправленное вмешательство, например, роботизированные прополки, удаляющие растения механическим способом, или "умные" опрыскиватели, применяющие гербициды только там, где это необходимо. Ранние версии этих технологий не отличались точностью, часто неправильно определяя культуры как сорняки или не обнаруживая мелкие растения.

Однако достижения в области глубокого обучения - подмножества машинного обучения, в котором для анализа данных используются нейронные сети с несколькими слоями, - позволили значительно повысить производительность. Конволюционные нейронные сети (CNN) - тип модели глубокого обучения, оптимизированный для анализа изображений, - отлично справляются с распознаванием закономерностей в визуальных данных.

Модели семейства You Only Look Once (YOLO), известные своей скоростью и точностью обнаружения объектов, стали особенно популярны в сельском хозяйстве. Последняя версия модели, YOLOv8, достигает точности более 90% при обнаружении сорняков, что делает ее революционной для точного земледелия.

Набор данных CottonWeedDet12: Основа для успеха

Для обучения надежных моделей ИИ требуются высококачественные данные, и набор данных CottonWeedDet12 является критически важным ресурсом для исследований в области обнаружения сорняков. Набор данных - это структурированная коллекция данных, используемых для обучения и тестирования моделей машинного обучения.

Связанные: Автоматизированная очистка и калибровка данных об урожайности

Этот набор данных, собранный на исследовательских фермах Университета штата Миссисипи, включает 5 648 изображений хлопковых полей с высоким разрешением, аннотированных 9 370 ограничительными рамками, идентифицирующими 12 распространенных видов сорняков. Ограничительные рамки - это прямоугольные рамки, нарисованные вокруг интересующих объектов (например, сорняков) на изображениях, обеспечивающие точное местоположение для обучения моделей искусственного интеллекта. Ключевые особенности включают:

12 классов травки: Водяная конопля (наиболее часто), утренник, амарант Палмера, пятнистая капуста и другие.
9 370 аннотаций ограничительных рамок: Экспертная маркировка с помощью VGG Image Annotator (VIA).
Разнообразные условия: Изображения, полученные при различном освещении (солнечном, пасмурном), на разных стадиях роста и при различном фоне почвы.

Сорняки варьируются от водяной конопли (наиболее часто встречающейся) до утреннего полыни, амаранта Палмера и пятнистой капусты. Для того чтобы набор данных отражал реальные условия, снимки делались при разном освещении (солнечном, пасмурном) и на разных стадиях роста.

Например, некоторые сорняки выглядят как маленькие проростки, в то время как другие уже полностью выросли. Кроме того, набор данных включает в себя различные фоны почвы и расположение растений, имитируя сложность реальных хлопковых полей.

Перед обучением модели YOLOv8 исследователи провели предварительную обработку данных для повышения их надежности. Предварительная обработка заключается в изменении исходных данных, чтобы улучшить их пригодность для обучения ИИ. Такие приемы, как мозаичное увеличение - объединение четырех изображений в одно - помогли смоделировать густые популяции сорняков.

Другие методы, такие как случайное масштабирование и переворачивание, подготовили модель к работе с вариациями размера и ориентации растений.

Масштабирование (±50%), сдвиг (±30°) и переворачивание для имитации реальной вариабельности.

Метод визуализации под названием t-SNE (t-Distributed Stochastic Neighbor Embedding) - алгоритм машинного обучения, который уменьшает размерность данных для создания визуальных кластеров - выявил отдельные группы для каждого класса сорняков, что подтверждает пригодность набора данных для обучения моделей, способных распознавать тонкие различия между видами.

YOLOv8: технические инновации и архитектурные усовершенствования

YOLOv8 основывается на успехе предыдущих моделей YOLO и включает в себя архитектурные усовершенствования, предназначенные для применения в сельском хозяйстве. В ее основе лежит CSPDarknet53 - нейросетевой костяк, предназначенный для извлечения иерархических признаков из изображений. Нейросетевой костяк - это основной компонент модели, отвечающий за обработку входных данных и извлечение соответствующих признаков.

CSPDarknet53 использует перекрестные частичные соединения (Cross Stage Partial, CSP) - дизайн, который разделяет карты признаков сети на две части, обрабатывает их отдельно и объединяет позже, чтобы улучшить градиентный поток во время обучения.

Градиентный поток означает, насколько эффективно нейронная сеть обновляет свои параметры, чтобы минимизировать ошибки, и его усиление обеспечивает эффективное обучение модели. В архитектуру также интегрированы сеть Feature Pyramid Network (FPN) и сеть Path Aggregation Network (PAN), которые работают вместе для обнаружения сорняков в разных масштабах.

FPN: Обнаружение разномасштабных объектов (например, маленькие проростки против зрелых сорняков).
PAN: Повышает точность локализации за счет объединения признаков на всех уровнях сети.

FPN - это структура, объединяющая признаки высокого разрешения (для обнаружения мелких объектов) с семантически богатыми признаками (для распознавания крупных объектов), а PAN повышает точность локализации путем объединения признаков на всех уровнях сети. Например, FPN идентифицирует маленькие саженцы, а PAN уточняет локализацию зрелых сорняков.

Связанные: Точное земледелие: технологии и стратегии в современном мире

В отличие от старых моделей, которые полагаются на предопределенные якорные коробки - заранее заданные формы ограничительных коробок, используемые для предсказания местоположения объектов, - в YOLOv8 используются головки обнаружения без якорных коробок. Эти головки предсказывают центры объектов напрямую, исключая сложные вычисления и уменьшая количество ложных срабатываний.

Эта инновация не только повышает точность, но и ускоряет обработку: YOLOv8 анализирует изображение всего за 6,3 миллисекунды на графическом процессоре NVIDIA T4 - высокопроизводительном графическом процессоре, оптимизированном для задач искусственного интеллекта.

Функция потерь модели - математическая формула, которая измеряет, насколько хорошо предсказания модели соответствуют фактическим данным, - объединяет потери CloU для точности определения границ, потери кросс-энтропии для классификации и потери фокуса распределения для обработки несбалансированных данных. Потери CloU (Complete Intersection over Union) улучшают выравнивание ограничительных рамок, учитывая площадь перекрытия, расстояние до центра и соотношение сторон между предсказанными и реальными рамками.

Математически, Общая сумма убытков составляет: $L (θ) = 7.5 \cdot L_{ящик} + 0.5 \cdot L_{cls} + 0.375 \cdot L_{dfl} + Регуляризация$

Потери на перекрестную энтропию оценивают точность классификации, сравнивая предсказанные вероятности с истинными метками, а потери на очаговое распределение устраняют дисбаланс классов, наказывая модель за неправильную классификацию редких сорняков.

Если сравнивать с предыдущими версиями YOLO, то YOLOv8 превосходит их все. Например, YOLOv4 достигла средней точности (mAP) 95,22% при перекрытии границ 50%, а YOLOv8 - 96,10%. mAP - это метрика, которая усредняет показатели точности по всем категориям, причем более высокие значения указывают на более высокую точность обнаружения.

Аналогичным образом, показатель mAP YOLOv8 при различных порогах перекрытия (от 0,5 до 0,95) составил 93,20%, превзойдя показатель YOLOv4, равный 89,48%. Эти улучшения делают YOLOv8 наиболее точной и эффективной моделью для обнаружения сорняков на хлопковых полях.

Обучение модели: Методология и результаты

Для обучения YOLOv8 исследователи использовали трансферное обучение - метод, при котором предварительно обученная модель (уже обученная на большом наборе данных) настраивается на новых данных. Трансферное обучение сокращает время обучения и повышает точность за счет использования знаний, полученных при решении предыдущих задач.

Модель обрабатывала изображения партиями по 32 штуки, используя оптимизатор AdamW - вариант алгоритма оптимизации Адама, который включает в себя затухание веса для предотвращения чрезмерной подгонки - со скоростью обучения 0,001.

За 100 эпох (циклов обучения) модель научилась отличать сорняки от хлопчатника с поразительной точностью. Стратегии дополнения данных, такие как случайное переворачивание изображений и регулировка их яркости, обеспечили модели способность справляться с изменчивостью реального мира.

Результаты оказались впечатляющими. В течение первых 20 эпох модель достигла точности более 90%, продемонстрировав быстрое обучение. К концу обучения YOLOv8 обнаружила крупные сорняки с точностью 94,40%.

Однако с мелкими сорняками оказалось сложнее: точность снизилась до 11,90%. Это расхождение объясняется несбалансированностью набора данных: крупные сорняки были представлены в избытке, а маленькие проростки встречались редко. Несмотря на это ограничение, общая производительность YOLOv8 является значительным скачком вперед.

Связанные: Будущее точного земледелия в обеспечении продовольственной безопасности

Проблемы и будущие направления

Хотя YOLOv8 демонстрирует огромные перспективы, проблемы остаются. Обнаружение мелких сорняков имеет решающее значение для раннего вмешательства, поскольку с проростками легче справиться.

Для решения этой проблемы исследователи предлагают использовать генеративные состязательные сети (GAN) - класс моделей искусственного интеллекта, в которых две нейронные сети (генератор и дискриминатор) конкурируют между собой для создания реалистичных синтетических данных, чтобы генерировать искусственные изображения мелких сорняков, уравновешивая набор данных.

Еще одно решение - интеграция мультиспектральной съемки, которая позволяет получать данные за пределами видимого света (например, в ближней инфракрасной области) для усиления контраста между посевами и сорняками. Датчики ближнего инфракрасного диапазона определяют содержание хлорофилла, благодаря чему растения выглядят ярче и их легче отличить от почвы.

Будущие версии YOLO, такие как YOLOv9 и YOLOv10, могут еще больше повысить точность. Ожидается, что в этих моделях появятся трансформаторные слои - тип архитектуры нейронной сети, которая обрабатывает данные параллельно, улавливая дальние зависимости более эффективно, чем традиционные CNN, и динамические пирамиды признаков, адаптирующиеся к размерам объектов. Такие усовершенствования могут помочь более надежно обнаруживать мелкие сорняки.

Следующим шагом для фермеров станут полевые испытания. Автономные прополочные машины, оснащенные YOLOv8 и камерами, могут перемещаться по рядам хлопка, удаляя сорняки механическим способом. Аналогично, беспилотники с опрыскивателями на базе искусственного интеллекта могут точно направлять гербициды, сокращая использование химикатов на 90%.

Эти технологии не только снижают затраты, но и защищают экосистемы, что соответствует целям устойчивого сельского хозяйства - философии земледелия, которая ставит во главу угла здоровье окружающей среды, экономическую рентабельность и социальное равенство.

Заключение

Рост числа сорняков, устойчивых к гербицидам, заставляет сельское хозяйство внедрять инновации, и YOLOv8 представляет собой прорыв в области точной борьбы с сорняками. Достигая точности 96.10% при обнаружении в режиме реального времени, эта модель позволяет фермерам сократить использование гербицидов, снизить затраты и защитить окружающую среду.

Хотя такие проблемы, как обнаружение мелких сорняков, все еще остаются, текущие достижения в области искусственного интеллекта и сенсорных технологий предлагают решения. По мере развития этих инструментов они обещают превратить хлопководство в более устойчивую и эффективную практику. В ближайшие годы интеграция YOLOv8 в автономные системы может произвести революцию в сельском хозяйстве.

Фермеры могут прибегнуть к помощи умных роботов и беспилотников для борьбы с сорняками, освобождая время и ресурсы для других задач. Переход к использованию данных в сельском хозяйстве не только обеспечит урожайность, но и оздоровит планету для будущих поколений. Применяя такие технологии, как YOLOv8, сельскохозяйственная отрасль сможет преодолеть проблемы устойчивости к гербицидам и проложить путь к более экологичному и продуктивному будущему.

Ссылка: Хан, А. Т., Дженсен, С. М., и Хан, А. Р. (2025). Продвижение точного земледелия: Сравнительный анализ YOLOv8 для многоклассового обнаружения сорняков при выращивании хлопка. Искусственный интеллект в сельском хозяйстве, 15, 182-191. https://doi.org/10.1016/j.aiia.2025.01.013