{"id":11525,"date":"2025-04-27T00:19:39","date_gmt":"2025-04-26T22:19:39","guid":{"rendered":"https:\/\/geopard.tech\/?p=11525"},"modified":"2025-04-27T00:19:39","modified_gmt":"2025-04-26T22:19:39","slug":"kako-vecnamensko-zaznavanje-plevela-na-podlagi-sistema-yolov8-izboljsa-natancno-kmetijstvo-bombaza","status":"publish","type":"post","link":"https:\/\/geopard.tech\/sl\/blog\/how-yolov8-based-multi-weed-detection-boosts-cotton-precision-agriculture\/","title":{"rendered":"Kako zaznavanje ve\u010d plevelov na podlagi sistema YOLOv8 izbolj\u0161a precizno kmetovanje pri bomba\u017eu?"},"content":{"rendered":"

Gojenje bomba\u017ea je pomemben del kmetijstva v Zdru\u017eenih dr\u017eavah Amerike, saj pomembno prispeva h gospodarstvu. Samo v letu 2021 so kmetje pridelali ve\u010d kot 10 milijonov hektarjev bomba\u017ea in proizvedli ve\u010d kot 18 milijonov bal v vrednosti skoraj 7,5 milijarde evrov. Kljub svojemu gospodarskemu pomenu se pridelava bomba\u017ea soo\u010da z velikim izzivom: pleveli. <\/span><\/span><\/p>\n

Pleveli, neza\u017eelene rastline, ki rastejo ob posevkih, tekmujejo z bomba\u017enimi rastlinami za osnovne vire, kot so voda, hranila in son\u010dna svetloba. \u010ce jih ne nadzorujemo, lahko zmanj\u0161ajo pridelek do 50 %.<\/span>7.5 <\/span>bi<\/span>ll<\/span>i<\/span>o<\/span>n<\/span>.\u00a0<\/span><\/span><\/span><\/span>Poleg finan\u010dnih obremenitev prekomerna uporaba herbicidov povzro\u010da tudi okoljske te\u017eave, saj onesna\u017euje tla in vodne vire.<\/p>\n

Za re\u0161evanje teh izzivov se raziskovalci obra\u010dajo k tehnologijam natan\u010dnega kmetijstva - kmetijskemu pristopu, ki uporablja orodja, ki temeljijo na podatkih, za optimizacijo upravljanja na ravni polja. Ena od prelomnih re\u0161itev je model YOLOv8 - vrhunsko orodje umetne inteligence za odkrivanje plevela v realnem \u010dasu.<\/p>\n

Porast odpornosti na herbicide in njen vpliv<\/h2>\n

\u0160iroko raz\u0161irjena uporaba semen bomba\u017ea, odpornih na herbicide (HR) od leta 1996, je spremenila kmetijske prakse. Posevki HR so gensko spremenjeni tako, da pre\u017eivijo dolo\u010dene herbicide, kar kmetom omogo\u010da, da kemikalije, kot je glifosat, \u0161kropijo neposredno nad posevki, ne da bi jih po\u0161kodovali.<\/p>\n

Do leta 2020 bo 96% ameri\u0161kih povr\u0161in bomba\u017ea uporabljalo sorte HR, kar bo ustvarilo krog odvisnosti od herbicidov. Na za\u010detku je bil ta pristop u\u010dinkovit, vendar so pleveli s\u010dasoma z naravno selekcijo razvili odpornost.<\/p>\n

Danes je na herbicide odpornih plevelov oku\u017eenih 70% ameri\u0161kih kmetij, zaradi \u010desar morajo kmetje uporabljati 30% ve\u010d kemikalij kot pred desetletjem. Na primer Palmerjev amarant, hitro rasto\u010di plevel z visoko stopnjo razmno\u017eevanja, lahko zmanj\u0161a pridelek bomba\u017ea za 79%, \u010de se ga ne nadzoruje zgodaj.<\/p>\n

\"Vpliv<\/p>\n

Finan\u010dno breme je ogromno: obvladovanje odpornih plevelov kmete letno stane ve\u010d milijard, odtekanje herbicidov pa onesna\u017ei 41% sladkovodnih virov v bli\u017eini kmetijskih zemlji\u0161\u010d. Ti izzivi poudarjajo nujno potrebo po inovativnih re\u0161itvah, ki zmanj\u0161ujejo odvisnost od kemikalij in hkrati ohranjajo produktivnost pridelkov.<\/p>\n

Strojni vid: Trajnostna alternativa za ravnanje s plevelom<\/h2>\n

Kot odgovor na krizo odpornosti proti herbicidom raziskovalci razvijajo sisteme strojnega vida - tehnologije, ki zdru\u017eujejo kamere, senzorje in algoritme umetne inteligence - za natan\u010dno odkrivanje in razvr\u0161\u010danje plevela. Strojni vid posnema \u010dlove\u0161ko vizualno zaznavanje, vendar z ve\u010djo hitrostjo in natan\u010dnostjo, kar omogo\u010da avtomatizirano sprejemanje odlo\u010ditev.<\/p>\n

Ti sistemi omogo\u010dajo ciljno usmerjene posege, kot so robotski plevniki, ki mehansko odstranjujejo rastline, ali pametni \u0161kropilniki, ki uporabljajo herbicide le tam, kjer je to potrebno. Zgodnje razli\u010dice teh tehnologij so imele te\u017eave z natan\u010dnostjo, saj so pogosto napa\u010dno prepoznale posevke kot plevel ali niso zaznale majhnih rastlin.<\/p>\n

Vendar je napredek na podro\u010dju globokega u\u010denja - podvrste strojnega u\u010denja, ki za analizo podatkov uporablja nevronske mre\u017ee z ve\u010d plastmi - bistveno izbolj\u0161al u\u010dinkovitost. Konvolucijske nevronske mre\u017ee (CNN), vrsta modela globokega u\u010denja, optimiziranega za analizo slik, so odli\u010dne pri prepoznavanju vzorcev v vizualnih podatkih.<\/p>\n

Dru\u017eina modelov YOLO (You Only Look Once), ki je znana po svoji hitrosti in natan\u010dnosti zaznavanja predmetov, je postala \u0161e posebej priljubljena v kmetijstvu. Najnovej\u0161a iteracija, YOLOv8, dosega natan\u010dnost ve\u010d kot 90% pri zaznavanju plevela, s \u010dimer spreminja pravila igre v preciznem kmetijstvu.<\/p>\n

Zbirka podatkov CottonWeedDet12: Osnova za uspeh<\/h2>\n

Za usposabljanje zanesljivih modelov umetne inteligence so potrebni visokokakovostni podatki, zbirka podatkov CottonWeedDet12 pa je klju\u010dni vir za raziskave odkrivanja plevela. Nabor podatkov je strukturirana zbirka podatkov, ki se uporablja za usposabljanje in testiranje modelov strojnega u\u010denja.<\/p>\n

Ta nabor podatkov, zbran na raziskovalnih kmetijah dr\u017eavne univerze Mississippi, vklju\u010duje 5 648 slik bomba\u017enih polj visoke lo\u010dljivosti, opremljenih z 9 370 omejitvenimi polji, ki dolo\u010dajo 12 pogostih vrst plevela. Omejitvena polja so pravokotni okvirji, narisani okoli zanimivih predmetov (npr. plevela) na slikah, ki zagotavljajo natan\u010dne lokacije za usposabljanje modelov umetne inteligence. Klju\u010dne zna\u010dilnosti vklju\u010dujejo:<\/p>\n