Pestovanie bavlny je dôležitou súčasťou poľnohospodárstva v Spojených štátoch a významne prispieva k hospodárstvu. Len v roku 2021 farmári zozbierali viac ako 10 miliónov akrov bavlny a vyprodukovali viac ako 18 miliónov balíkov v hodnote takmer 7,5 miliardy eur. Napriek svojmu hospodárskemu významu čelí pestovanie bavlny veľkej výzve: burine.
Buriny, ktoré sú nežiaducimi rastlinami rastúcimi popri plodinách, súperia s bavlníkovými rastlinami o základné zdroje, ako je voda, živiny a slnečné svetlo. Ak sa nekontrolujú, môžu znížiť výnosy plodín až o 50Okrem finančnej záťaže vyvoláva nadmerné používanie herbicídov obavy o životné prostredie, pretože kontaminuje pôdu a vodné zdroje.
Na riešenie týchto výziev sa výskumníci zameriavajú na technológie presného poľnohospodárstva - poľnohospodársky prístup, ktorý využíva nástroje založené na údajoch na optimalizáciu riadenia na úrovni poľa. Jedným z prelomových riešení je model YOLOv8 - špičkový nástroj umelej inteligencie na detekciu buriny v reálnom čase.
Vzostup rezistencie voči herbicídom a jej vplyv
Rozšírené používanie osiva bavlny odolného voči herbicídom (HR) od roku 1996 zmenilo poľnohospodárske postupy. HR plodiny sú geneticky modifikované tak, aby prežili špecifické herbicídy, čo umožňuje poľnohospodárom striekať chemikálie ako glyfosát priamo na plodiny bez toho, aby im ublížili.
Do roku 2020 sa na 96% plochy bavlny v USA budú používať HR odrody, čím sa vytvorí cyklus závislosti od herbicídov. Spočiatku bol tento prístup účinný, ale časom sa v dôsledku prirodzeného výberu vyvinula rezistencia burín.
V súčasnosti burina odolná voči herbicídom zamoruje 70% amerických fariem, čo núti poľnohospodárov používať 30% viac chemikálií ako pred desiatimi rokmi. Napríklad Palmer Amaranth, rýchlo rastúca burina s vysokou reprodukčnou rýchlosťou, môže znížiť úrodu bavlny o 79%, ak sa včas nekontroluje.
Finančná záťaž je obrovská: zvládanie odolných burín stojí poľnohospodárov miliardy ročne, zatiaľ čo odtok herbicídov kontaminuje 41% sladkovodných zdrojov v blízkosti poľnohospodárskej pôdy. Tieto výzvy zdôrazňujú naliehavú potrebu inovatívnych riešení, ktoré znižujú závislosť od chemikálií a zároveň zachovávajú produktivitu plodín.
Strojové videnie: Udržateľná alternatíva pre manažment burín
V reakcii na krízu rezistencie voči herbicídom vyvíjajú výskumníci systémy strojového videnia - technológie, ktoré kombinujú kamery, senzory a algoritmy umelej inteligencie - na presnú detekciu a klasifikáciu buriny. Strojové videnie napodobňuje ľudské vizuálne vnímanie, ale s väčšou rýchlosťou a presnosťou, čo umožňuje automatizované rozhodovanie.
Tieto systémy umožňujú cielené zásahy, napríklad robotické odstraňovače buriny, ktoré mechanicky odstraňujú rastliny, alebo inteligentné postrekovače, ktoré aplikujú herbicídy len tam, kde je to potrebné. Prvé verzie týchto technológií mali problémy s presnosťou, často nesprávne identifikovali plodiny ako burinu alebo nedokázali odhaliť malé rastliny.
Pokroky v oblasti hlbokého učenia - podmnožiny strojového učenia, ktorá na analýzu údajov využíva neurónové siete s viacerými vrstvami - však výrazne zlepšili výkon. Konvolučné neurónové siete (CNN), typ modelu hlbokého učenia optimalizovaného na analýzu obrazu, vynikajú v rozpoznávaní vzorov vo vizuálnych údajoch.
Rodina modelov YOLO (You Only Look Once), ktorá je známa svojou rýchlosťou a presnosťou pri detekcii objektov, sa stala mimoriadne populárnou v poľnohospodárstve. Najnovšia iterácia, YOLOv8, dosahuje presnosť viac ako 90% pri detekcii buriny, čím mení pravidlá hry v presnom poľnohospodárstve.
Súbor údajov CottonWeedDet12: Základ úspechu
Trénovanie spoľahlivých modelov umelej inteligencie si vyžaduje vysokokvalitné údaje a súbor údajov CottonWeedDet12 je dôležitým zdrojom pre výskum detekcie burín. Súbor údajov je štruktúrovaný súbor údajov, ktorý sa používa na trénovanie a testovanie modelov strojového učenia.
Tento súbor údajov zozbieraný z výskumných fariem na Mississippi State University obsahuje 5 648 snímok bavlníkových polí s vysokým rozlíšením, ktoré sú anotované 9 370 ohraničujúcimi políčkami identifikujúcimi 12 bežných druhov burín. Ohraničujúce polia sú obdĺžnikové rámčeky nakreslené okolo objektov záujmu (napr. burín) na snímkach, ktoré poskytujú presné umiestnenie na trénovanie modelov umelej inteligencie. Medzi kľúčové vlastnosti patria:
- 12 tried burín: vodná hrachovina (najčastejšie), jitrocel, amarant, ostrica škvrnitá a iné.
- 9 370 anotácií ohraničujúcich polí: Odborne označené pomocou VGG Image Annotator (VIA).
- Rôzne podmienky: Snímky zachytené pri rôznom osvetlení (slnečno, zamračené), v rôznych fázach rastu a na rôznom pôdnom pozadí
Ide o rôzne druhy burín, od vodného lipňa (najčastejšie sa vyskytujúci druh) až po mrlík, amarant a ostricu škvrnitú. Aby sa zabezpečilo, že súbor údajov odráža reálne podmienky, snímky boli nasnímané pri rôznom osvetlení (slnečno, zamračené) a v rôznych fázach rastu.
Niektoré buriny sa napríklad objavujú ako malé semenáčiky, zatiaľ čo iné sú už plne vyvinuté. Okrem toho súbor údajov obsahuje rôznorodé pôdne pozadie a usporiadanie rastlín, čo napodobňuje zložitosť skutočných bavlníkových polí.
Pred trénovaním modelu YOLOv8 výskumníci údaje predspracovali, aby zvýšili jeho robustnosť. Predbežné spracovanie zahŕňa úpravu nespracovaných údajov s cieľom zlepšiť ich vhodnosť na trénovanie umelej inteligencie. Techniky, ako je napríklad rozšírenie mozaiky - ktoré spája štyri obrázky do jedného - pomohli simulovať husté populácie burín.
Ďalšie metódy, ako napríklad náhodné škálovanie a prevracanie, pripravili model na zvládnutie zmien vo veľkosti a orientácii rastlín.
- Škálovanie (±50%), strihanie (±30°) a prevracanie, aby sa napodobnila variabilita v reálnom svete.
Vizualizačná technika nazývaná t-SNE (t-Distributed Stochastic Neighbor Embedding) - algoritmus strojového učenia, ktorý znižuje rozmery údajov s cieľom vytvoriť vizuálne zhluky - odhalila odlišné skupiny pre každú triedu burín, čo potvrdilo vhodnosť súboru údajov na trénovanie modelov na rozpoznávanie jemných rozdielov medzi druhmi.
YOLOv8: Technické inovácie a architektonický pokrok
Model YOLOv8 nadväzuje na úspech predchádzajúcich modelov YOLO s architektonickými vylepšeniami prispôsobenými pre poľnohospodárske aplikácie. Jeho jadrom je CSPDarknet53, chrbtica neurónovej siete navrhnutá na extrakciu hierarchických funkcií z obrázkov. Chrbtica neurónovej siete je hlavnou zložkou modelu zodpovednou za spracovanie vstupných údajov a extrakciu relevantných funkcií.
Sieť CSPDarknet53 využíva krížové čiastočné spojenia (Cross Stage Partial - CSP) - dizajn, ktorý rozdeľuje mapy funkcií siete na dve časti, spracováva ich oddelene a neskôr ich spája - na zlepšenie gradientového toku počas trénovania.
Gradientný tok sa vzťahuje na to, ako efektívne neurónová sieť aktualizuje svoje parametre, aby minimalizovala chyby, a jeho zlepšovanie zabezpečuje, že sa model efektívne učí. Architektúra tiež integruje sieť s pyramídou funkcií (FPN) a sieť s agregáciou ciest (PAN), ktoré spolupracujú na zisťovaní burín vo viacerých mierkach.
- FPN: Rozpoznáva objekty vo viacerých mierkach (napr. malé semenáčiky vs. zrelá burina).
- PAN: Zlepšuje presnosť lokalizácie spájaním funkcií v sieťových vrstvách.
FPN je štruktúra, ktorá kombinuje funkcie s vysokým rozlíšením (na detekciu malých objektov) so sémanticky bohatými funkciami (na rozpoznávanie veľkých objektov), zatiaľ čo PAN spresňuje presnosť lokalizácie spájaním funkcií v sieťových vrstvách. Napríklad FPN identifikuje malé semenáčiky, zatiaľ čo PAN spresňuje lokalizáciu zrelých burín.
Na rozdiel od starších modelov, ktoré sa spoliehajú na preddefinované kotviace polia - vopred nastavené tvary ohraničujúcich polí, ktoré sa používajú na predpovedanie umiestnenia objektov -, používa YOLOv8 detekčné hlavy bez kotiev. Tieto hlavy predpovedajú stredy objektov priamo, čím sa eliminujú zložité výpočty a znižuje sa počet falošne pozitívnych výsledkov.
Táto inovácia nielen zvyšuje presnosť, ale aj zrýchľuje spracovanie, pričom YOLOv8 analyzuje obrázok len za 6,3 milisekundy na grafickom procesore NVIDIA T4 - vysoko výkonnom grafickom procesore optimalizovanom na úlohy AI.
Stratová funkcia modelu - matematický vzorec, ktorý meria, ako dobre sa predpovede modelu zhodujú so skutočnými údajmi - kombinuje stratu CloU na presnosť ohraničenia, stratu krížovej entropie na klasifikáciu a stratu ohniska rozdelenia na spracovanie nevyvážených údajov. Strata CloU (Complete Intersection over Union) zlepšuje zarovnanie ohraničujúcich boxov tým, že berie do úvahy oblasť prekrytia, vzdialenosť stredov a pomer strán medzi predpovedanými a skutočnými boxmi.
Matematicky, celková strata je: L(θ)=7,5⋅Lbox+0,5⋅Lcls+0,375⋅Ldfl+Regularizácia
Strata krížovej entropie hodnotí presnosť klasifikácie porovnaním predpovedaných pravdepodobností so skutočnými štítkami, zatiaľ čo strata ohniska distribúcie rieši nerovnováhu tried tým, že model viac penalizuje za nesprávnu klasifikáciu zriedkavých burín.
V porovnaní s predchádzajúcimi verziami YOLO je YOLOv8 lepší ako všetky ostatné. Napríklad YOLOv4 dosiahol priemernú priemernú presnosť (mAP) 95,22% pri prekrytí 50% ohraničujúceho boxu, zatiaľ čo YOLOv8 dosiahol 96,10%. mAP je metrika, ktorá spriemeruje skóre presnosti vo všetkých kategóriách, pričom vyššie hodnoty znamenajú lepšiu presnosť detekcie.
Podobne mAP YOLOv8 pri viacerých prahových hodnotách prekrývania (0,5 až 0,95) bola 93,20%, čím prekonala hodnotu 89,48% YOLOv4. Vďaka týmto zlepšeniam je YOLOv8 najpresnejším a najefektívnejším modelom na detekciu burín na bavlníkových poliach.
Tréning modelu: Metodika a výsledky
Na trénovanie YOLOv8 výskumníci použili transferové učenie - techniku, pri ktorej sa vopred natrénovaný model (už natrénovaný na veľkom súbore údajov) dolaďuje na nových údajoch. Transferové učenie skracuje čas trénovania a zvyšuje presnosť tým, že využíva znalosti získané z predchádzajúcich úloh.
Model spracúval obrázky v dávkach po 32, pričom používal optimalizátor AdamW - variant optimalizačného algoritmu Adam, ktorý obsahuje rozpad váh, aby sa zabránilo nadmernému prispôsobeniu - s mierou učenia 0,001.
Počas 100 epoch (tréningových cyklov) sa model naučil rozlišovať burinu od rastlín bavlny s pozoruhodnou presnosťou. Stratégie rozšírenia údajov, ako napríklad náhodné obracanie obrázkov a úprava ich jasu, zabezpečili, že model zvládne premenlivosť reálneho sveta.
Výsledky boli pôsobivé. Počas prvých 20 epoch dosiahol model presnosť viac ako 90%, čo svedčí o rýchlom učení. Na konci tréningu model YOLOv8 detekoval veľké buriny s presnosťou 94,40%.
Menšie buriny sa však ukázali ako náročnejšie, pričom presnosť klesla na 11,90%. Tento rozdiel vyplýva z nevyváženosti súboru údajov: veľké buriny boli nadmerne zastúpené, zatiaľ čo malé semenáčiky boli zriedkavé. Napriek tomuto obmedzeniu celkový výkon YOLOv8 predstavuje významný skok vpred.
Výzvy a budúce smerovanie
Hoci je YOLOv8 obrovským prísľubom, výzvy pretrvávajú. Zisťovanie malých burín je rozhodujúce pre včasný zásah, pretože sadenice sa dajú ľahšie zvládnuť.
Na riešenie tohto problému výskumníci navrhujú použiť generatívne adverzné siete (GAN) - triedu modelov umelej inteligencie, v ktorých dve neurónové siete (generátor a diskriminátor) súťažia pri vytváraní realistických syntetických údajov - na generovanie umelých obrazov malých burín, čím sa vyvažuje súbor údajov.
Ďalšie riešenie zahŕňa integráciu multispektrálneho zobrazovania, ktoré zachytáva údaje mimo viditeľného svetla (napr. blízke infračervené žiarenie), aby sa zvýšil kontrast medzi plodinami a burinou. Senzory v blízkom infračervenom spektre zisťujú obsah chlorofylu, vďaka čomu sa rastliny javia jasnejšie a ľahšie sa odlišujú od pôdy.
Budúce verzie YOLO, ako napríklad YOLOv9 a YOLOv10, môžu presnosť ešte zlepšiť. Očakáva sa, že tieto modely budú obsahovať transformačné vrstvy - typ architektúry neurónovej siete, ktorá spracúva údaje paralelne a zachytáva závislosti na dlhé vzdialenosti efektívnejšie ako tradičné CNN - a dynamické pyramídy funkcií, ktoré sa prispôsobujú veľkosti objektov. Takýto pokrok by mohol pomôcť spoľahlivejšie odhaliť malé buriny.
Ďalším krokom pre poľnohospodárov je testovanie v teréne. Autonómne plečky vybavené systémom YOLOv8 a kamerami by sa mohli pohybovať po riadkoch bavlny a mechanicky odstraňovať burinu. Podobne by mohli drony s postrekovačmi poháňanými umelou inteligenciou presne zacieliť herbicídy, čím by sa znížila spotreba chemikálií až o 90%.
Tieto technológie nielen znižujú náklady, ale aj chránia ekosystémy, čo je v súlade s cieľmi udržateľného poľnohospodárstva - filozofie poľnohospodárstva, ktorá uprednostňuje zdravie životného prostredia, ekonomickú ziskovosť a sociálnu spravodlivosť.
Záver
Nárast burín odolných voči herbicídom prinútil poľnohospodárstvo k inováciám a YOLOv8 predstavuje prelom v presnej regulácii burín. Tým, že tento model dosahuje presnosť 96,10% pri detekcii v reálnom čase, umožňuje poľnohospodárom znížiť používanie herbicídov, znížiť náklady a chrániť životné prostredie.
Hoci problémy, ako je detekcia malých burín, pretrvávajú, neustály pokrok v oblasti umelej inteligencie a senzorových technológií ponúka riešenia. Vývoj týchto nástrojov sľubuje transformáciu pestovania bavlny na udržateľnejšiu a efektívnejšiu prax. V nasledujúcich rokoch by integrácia systému YOLOv8 do autonómnych systémov mohla spôsobiť revolúciu v poľnohospodárstve.
Poľnohospodári sa môžu spoliehať na inteligentné roboty a bezpilotné lietadlá, aby zvládli burinu, čím sa uvoľní čas a zdroje na iné úlohy. Tento posun k poľnohospodárstvu riadenému údajmi nielenže zabezpečí výnosy plodín, ale aj zdravšiu planétu pre budúce generácie. Prijatím technológií, ako je YOLOv8, môže poľnohospodársky priemysel prekonať problémy rezistencie voči herbicídom a pripraviť pôdu pre ekologickejšiu a produktívnejšiu budúcnosť.
Referencia: Khan, A. T., Jensen, S. M., & Khan, A. R. (2025). Pokrok v presnom poľnohospodárstve: A comparative analysis of YOLOv8 for multi-class weed detection in cotton cultivation (Porovnávacia analýza systému YOLOv8 na detekciu burín viacerých tried pri pestovaní bavlny). Artificial Intelligence in Agriculture, 15, 182-191. https://doi.org/10.1016/j.aiia.2025.01.013

















