Gojenje bombaža je pomemben del kmetijstva v Združenih državah Amerike, saj pomembno prispeva h gospodarstvu. Samo v letu 2021 so kmetje pridelali več kot 10 milijonov hektarjev bombaža in proizvedli več kot 18 milijonov bal v vrednosti skoraj 7,5 milijarde evrov. Kljub svojemu gospodarskemu pomenu se pridelava bombaža sooča z velikim izzivom: pleveli.
Pleveli, nezaželene rastline, ki rastejo ob posevkih, tekmujejo z bombažnimi rastlinami za osnovne vire, kot so voda, hranila in sončna svetloba. Če jih ne nadzorujemo, lahko zmanjšajo pridelek do 50 %.Poleg finančnih obremenitev prekomerna uporaba herbicidov povzroča tudi okoljske težave, saj onesnažuje tla in vodne vire.
Za reševanje teh izzivov se raziskovalci obračajo k tehnologijam natančnega kmetijstva - kmetijskemu pristopu, ki uporablja orodja, ki temeljijo na podatkih, za optimizacijo upravljanja na ravni polja. Ena od prelomnih rešitev je model YOLOv8 - vrhunsko orodje umetne inteligence za odkrivanje plevela v realnem času.
Porast odpornosti na herbicide in njen vpliv
Široko razširjena uporaba semen bombaža, odpornih na herbicide (HR) od leta 1996, je spremenila kmetijske prakse. Posevki HR so gensko spremenjeni tako, da preživijo določene herbicide, kar kmetom omogoča, da kemikalije, kot je glifosat, škropijo neposredno nad posevki, ne da bi jih poškodovali.
Do leta 2020 bo 96% ameriških površin bombaža uporabljalo sorte HR, kar bo ustvarilo krog odvisnosti od herbicidov. Na začetku je bil ta pristop učinkovit, vendar so pleveli sčasoma z naravno selekcijo razvili odpornost.
Danes je na herbicide odpornih plevelov okuženih 70% ameriških kmetij, zaradi česar morajo kmetje uporabljati 30% več kemikalij kot pred desetletjem. Na primer Palmerjev amarant, hitro rastoči plevel z visoko stopnjo razmnoževanja, lahko zmanjša pridelek bombaža za 79%, če se ga ne nadzoruje zgodaj.
Finančno breme je ogromno: obvladovanje odpornih plevelov kmete letno stane več milijard, odtekanje herbicidov pa onesnaži 41% sladkovodnih virov v bližini kmetijskih zemljišč. Ti izzivi poudarjajo nujno potrebo po inovativnih rešitvah, ki zmanjšujejo odvisnost od kemikalij in hkrati ohranjajo produktivnost pridelkov.
Strojni vid: Trajnostna alternativa za ravnanje s plevelom
Kot odgovor na krizo odpornosti proti herbicidom raziskovalci razvijajo sisteme strojnega vida - tehnologije, ki združujejo kamere, senzorje in algoritme umetne inteligence - za natančno odkrivanje in razvrščanje plevela. Strojni vid posnema človeško vizualno zaznavanje, vendar z večjo hitrostjo in natančnostjo, kar omogoča avtomatizirano sprejemanje odločitev.
Ti sistemi omogočajo ciljno usmerjene posege, kot so robotski plevniki, ki mehansko odstranjujejo rastline, ali pametni škropilniki, ki uporabljajo herbicide le tam, kjer je to potrebno. Zgodnje različice teh tehnologij so imele težave z natančnostjo, saj so pogosto napačno prepoznale posevke kot plevel ali niso zaznale majhnih rastlin.
Vendar je napredek na področju globokega učenja - podvrste strojnega učenja, ki za analizo podatkov uporablja nevronske mreže z več plastmi - bistveno izboljšal učinkovitost. Konvolucijske nevronske mreže (CNN), vrsta modela globokega učenja, optimiziranega za analizo slik, so odlične pri prepoznavanju vzorcev v vizualnih podatkih.
Družina modelov YOLO (You Only Look Once), ki je znana po svoji hitrosti in natančnosti zaznavanja predmetov, je postala še posebej priljubljena v kmetijstvu. Najnovejša iteracija, YOLOv8, dosega natančnost več kot 90% pri zaznavanju plevela, s čimer spreminja pravila igre v preciznem kmetijstvu.
Zbirka podatkov CottonWeedDet12: Osnova za uspeh
Za usposabljanje zanesljivih modelov umetne inteligence so potrebni visokokakovostni podatki, zbirka podatkov CottonWeedDet12 pa je ključni vir za raziskave odkrivanja plevela. Nabor podatkov je strukturirana zbirka podatkov, ki se uporablja za usposabljanje in testiranje modelov strojnega učenja.
Ta nabor podatkov, zbran na raziskovalnih kmetijah državne univerze Mississippi, vključuje 5 648 slik bombažnih polj visoke ločljivosti, opremljenih z 9 370 omejitvenimi polji, ki določajo 12 pogostih vrst plevela. Omejitvena polja so pravokotni okvirji, narisani okoli zanimivih predmetov (npr. plevela) na slikah, ki zagotavljajo natančne lokacije za usposabljanje modelov umetne inteligence. Ključne značilnosti vključujejo:
- 12 razredov plevela: vodna konoplja (najpogostejša), jutranjica, palmerjev amarant, pegast trpotec in druge.
- 9.370 opomb o omejitvenem polju: Strokovno označeni z uporabo programa VGG Image Annotator (VIA).
- Različni pogoji: Slike, posnete pri različni svetlobi (sončno, oblačno), v različnih fazah rasti in v različnih tleh
Pleveli segajo od vodne konoplje (najpogostejši plevel) do jitrocelične slaščice, palmerskega amaranta in pegastega trpotca. Da bi zagotovili, da nabor podatkov odraža razmere v resničnem svetu, so bile slike posnete pri različni svetlobi (sončno, oblačno) in v različnih fazah rasti.
Nekateri pleveli se na primer pojavijo kot majhne sadike, drugi pa so že popolnoma odrasli. Poleg tega zbirka podatkov vključuje različna tla in razporeditev rastlin, kar posnema kompleksnost dejanskih bombažnih polj.
Pred usposabljanjem modela YOLOv8 so raziskovalci podatke predhodno obdelali, da bi izboljšali njegovo robustnost. Predobdelava vključuje spreminjanje neobdelanih podatkov, da se izboljša njihova primernost za usposabljanje umetne inteligence. Tehnike, kot je povečevanje mozaika, ki združuje štiri slike v eno, so pomagale simulirati goste populacije plevela.
Druge metode, kot sta naključno skaliranje in obračanje, so model pripravile za obvladovanje sprememb v velikosti in usmerjenosti rastlin.
- Razširjanje (±50%), striženje (±30°) in obračanje za posnemanje variabilnosti v realnem svetu.
Tehnika vizualizacije, imenovana t-SNE (t-Distributed Stochastic Neighbor Embedding) - algoritem strojnega učenja, ki zmanjšuje dimenzije podatkov in ustvarja vizualne grozde - je razkrila ločene skupine za vsak razred plevela in potrdila primernost podatkovnega niza za usposabljanje modelov za prepoznavanje subtilnih razlik med vrstami.
YOLOv8: Tehnične inovacije in arhitekturni napredek
YOLOv8 temelji na uspehu prejšnjih modelov YOLO z arhitekturnimi nadgradnjami, prilagojenimi za uporabo v kmetijstvu. Njegovo jedro je CSPDarknet53, hrbtenica nevronske mreže, zasnovana za pridobivanje hierarhičnih značilnosti iz slik. Hrbtenica nevronskega omrežja je glavna sestavina modela, ki je odgovorna za obdelavo vhodnih podatkov in pridobivanje ustreznih lastnosti.
CSPDarknet53 uporablja povezave Cross Stage Partial (CSP) - zasnova, ki razdeli zemljevide funkcij omrežja na dva dela, jih obdela ločeno in pozneje združi - za izboljšanje gradientnega toka med usposabljanjem.
Gradientni tok se nanaša na to, kako učinkovito nevronska mreža posodablja svoje parametre, da bi zmanjšala napake, in kako učinkovito se model uči. Arhitektura vključuje tudi piramidno omrežje značilnosti (Feature Pyramid Network - FPN) in omrežje agregacije poti (Path Aggregation Network - PAN), ki sodelujeta pri odkrivanju plevela na več ravneh.
- FPN: zaznava predmete v več merilih (npr. majhne sadike in zreli plevel).
- PAN: Izboljša natančnost lokalizacije z združevanjem funkcij v omrežnih plasteh.
FPN je struktura, ki združuje funkcije visoke ločljivosti (za zaznavanje majhnih predmetov) s semantično bogatimi funkcijami (za prepoznavanje velikih predmetov), medtem ko PAN izboljšuje natančnost lokalizacije z združevanjem funkcij v omrežnih plasteh. FPN na primer prepozna majhne sadike, medtem ko PAN izboljša lokalizacijo zrelega plevela.
Za razliko od starejših modelov, ki se zanašajo na vnaprej določena sidrna polja - vnaprej določene oblike omejitvenih polj, ki se uporabljajo za napovedovanje lokacij predmetov -, uporablja YOLOv8 glave za zaznavanje brez sider. Te glave neposredno napovedujejo središča predmetov, s čimer odpravljajo zapletene izračune in zmanjšujejo število lažno pozitivnih rezultatov.
Ta inovacija ne povečuje le natančnosti, temveč tudi pospešuje obdelavo, saj YOLOv8 analizira sliko v samo 6,3 milisekunde s pomočjo grafičnega procesorja NVIDIA T4 - visoko zmogljive grafične procesne enote, optimizirane za naloge umetne inteligence.
Funkcija izgube modela - matematična formula, ki meri, kako dobro se napovedi modela ujemajo z dejanskimi podatki - združuje izgubo CloU za natančnost omejitvenega polja, izgubo navzkrižne entropije za klasifikacijo in izgubo žarišča porazdelitve za obravnavo neuravnoteženih podatkov. Izguba CloU (Complete Intersection over Union) izboljša poravnavo omejitvenih polj z upoštevanjem območja prekrivanja, središčne razdalje in razmerja med napovedanimi in dejanskimi polji.
Matematično, skupna izguba je: L(θ)=7,5⋅Lbox+0,5⋅Lcls+0,375⋅Ldfl+Regularizacija
Izguba navzkrižne entropije ocenjuje natančnost klasifikacije s primerjavo napovedanih verjetnosti z resničnimi oznakami, medtem ko izguba žarišča porazdelitve obravnava neuravnoteženost razredov tako, da model bolj kaznuje za napačno razvrstitev redkih plevelov.
V primerjavi s prejšnjimi različicami YOLO je YOLOv8 boljši od vseh. YOLOv4 je na primer dosegel srednjo povprečno natančnost (mAP) 95,22% pri prekrivanju 50% omejitvenega polja, YOLOv8 pa 96,10%. mAP je metrika, ki povpreči rezultate natančnosti v vseh kategorijah, pri čemer višje vrednosti pomenijo večjo natančnost zaznavanja.
Podobno je mAP YOLOv8 pri več pragovih prekrivanja (od 0,5 do 0,95) znašal 93,20% in je presegel 89,48% YOLOv4. Zaradi teh izboljšav je YOLOv8 najnatančnejši in najučinkovitejši model za odkrivanje plevela na bombažnih poljih.
Usposabljanje modela: Metodologija in rezultati
Za usposabljanje YOLOv8 so raziskovalci uporabili učenje s prenosom - tehniko, pri kateri se predhodno usposobljen model (že usposobljen na velikem naboru podatkov) natančno prilagodi novim podatkom. Prenosno učenje skrajša čas usposabljanja in izboljša natančnost z uporabo znanja, pridobljenega pri prejšnjih nalogah.
Model je obdeloval slike v serijah po 32, pri čemer je uporabljal optimizator AdamW - različico optimizacijskega algoritma Adam, ki vključuje upadanje uteži za preprečevanje pretiranega prilagajanja - s stopnjo učenja 0,001.
V 100 epohah (ciklih usposabljanja) se je model naučil izredno natančno razlikovati plevel od bombažnih rastlin. Strategije za razširitev podatkov, kot sta naključno obračanje slik in prilagajanje njihove svetlosti, so zagotovile, da se je model lahko spopadel s spremenljivostjo v resničnem svetu.
Rezultati so bili impresivni. V prvih 20 epohah je model dosegel natančnost več kot 90%, kar kaže na hitro učenje. Do konca usposabljanja je model YOLOv8 zaznal velik plevel z natančnostjo 94,40%.
Manjši plevel pa se je izkazal za večji izziv, saj se je natančnost zmanjšala na 11,90%. Ta razlika je posledica neuravnoteženosti podatkovnega niza: veliki pleveli so bili preveč zastopani, majhne sadike pa so bile redke. Kljub tej omejitvi je splošna uspešnost sistema YOLOv8 velik napredek.
Izzivi in prihodnje usmeritve
Čeprav je YOLOv8 zelo obetaven, izzivi ostajajo. Odkrivanje majhnih plevelov je ključnega pomena za zgodnje ukrepanje, saj je sadike lažje obvladovati.
Raziskovalci predlagajo uporabo generativnih nasprotnih mrež (GAN) - razreda modelov umetne inteligence, pri katerih dve nevronski mreži (generator in diskriminator) tekmujeta pri ustvarjanju realističnih sintetičnih podatkov - za ustvarjanje umetnih slik majhnega plevela, s čimer se nabor podatkov uravnovesi.
Druga rešitev vključuje vključitev večspektralnega slikanja, ki zajema podatke zunaj vidne svetlobe (npr. bližnjo infrardečo svetlobo) za izboljšanje kontrasta med pridelki in plevelom. Senzorji bližnje infrardeče svetlobe zaznajo vsebnost klorofila, zaradi česar so rastline videti svetlejše in jih je lažje ločiti od tal.
Prihodnje različice programa YOLO, kot sta YOLOv9 in YOLOv10, bodo morda še izboljšale natančnost. Ti modeli naj bi vključevali transformatorske plasti - vrsto arhitekture nevronske mreže, ki podatke obdeluje vzporedno in tako učinkoviteje kot tradicionalne CNN zajame odvisnosti dolgega dosega - ter dinamične piramide funkcij, ki se prilagajajo velikosti predmetov. Takšen napredek bi lahko pripomogel k zanesljivejšemu odkrivanju majhnega plevela.
Naslednji korak za kmete je testiranje na terenu. Avtonomni plevniki, opremljeni z YOLOv8 in kamerami, bi lahko krmarili po vrstah bombaža in mehansko odstranjevali plevel. Podobno bi lahko brezpilotni zrakoplovi s škropilnicami, ki jih poganja umetna inteligenca, natančno usmerjali herbicide in tako zmanjšali uporabo kemikalij do 90%.
Te tehnologije ne zmanjšujejo le stroškov, temveč tudi varujejo ekosisteme, kar je v skladu s cilji trajnostnega kmetijstva - kmetijske filozofije, ki daje prednost okoljskemu zdravju, gospodarski donosnosti in socialni pravičnosti.
Zaključek
Zaradi porasta plevelov, odpornih na herbicide, je kmetijstvo prisiljeno k inovacijam, YOLOv8 pa predstavlja preboj na področju natančnega zatiranja plevelov. Z doseganjem 96,10% natančnosti pri odkrivanju v realnem času ta model kmetom omogoča, da zmanjšajo uporabo herbicidov, znižajo stroške in zaščitijo okolje.
Čeprav izzivi, kot je zaznavanje majhnega plevela, ostajajo, nenehni napredek na področju umetne inteligence in senzorske tehnologije ponuja rešitve. Z razvojem teh orodij se obeta, da se bo pridelava bombaža spremenila v bolj trajnostno in učinkovito prakso. V prihodnjih letih bi lahko vključitev sistema YOLOv8 v avtonomne sisteme povzročila revolucijo v kmetijstvu.
Kmetje se bodo pri obvladovanju plevela lahko zanašali na pametne robote in brezpilotna letala, s čimer bodo sprostili čas in vire za druge naloge. Ta premik k podatkovno usmerjenemu kmetovanju ne zagotavlja le pridelka, temveč tudi bolj zdrav planet za prihodnje generacije. Z uporabo tehnologij, kot je YOLOv8, lahko kmetijska industrija premaga izzive odpornosti na herbicide in utira pot bolj zeleni in produktivni prihodnosti.
Referenca: Khan, A. T., Jensen, S. M., & Khan, A. R. (2025). Advancing precision agriculture (Napredek v preciznem kmetijstvu): A comparative analysis of YOLOv8 for multi-class weed detection in cotton cultivation (Primerjalna analiza programa YOLOv8 za večrazredno odkrivanje plevela pri gojenju bombaža). Umetna inteligenca v kmetijstvu, 15, 182-191. https://doi.org/10.1016/j.aiia.2025.01.013

















