Како детекција вишеструког корова заснована на YOLOv8 побољшава прецизну пољопривреду памука?

Узгој памука је витални део пољопривреде у Сједињеним Државама и значајно доприноси економији. Само у 2021. години, пољопривредници су пожњели преко 10 милиона хектара памука, производећи више од 18 милиона бала вредних скоро 7,5 милијарди. Упркос свом економском значају, узгој памука се суочава са великим изазовом: коровом.

$7.5бисвиion.$Поред финансијског оптерећења, прекомерна употреба хербицида изазива еколошке проблеме, загађујући земљиште и изворе воде.

Да би се решили ови изазови, истраживачи се окрећу технологијама прецизне пољопривреде – пољопривредном приступу који користи алате засноване на подацима за оптимизацију управљања на нивоу поља. Једно револуционарно решење је модел YOLOv8 – врхунски алат вештачке интелигенције за откривање корова у реалном времену.

Пораст отпорности на хербициде и њен утицај

Широко распрострањена употреба семена памука отпорног на хербициде (HR) од 1996. године трансформисала је пољопривредне праксе. HR усеви су генетски модификовани да би преживели одређене хербициде, што омогућава пољопривредницима да директно прскају хемикалије попут глифосата по усевима, а да их притом не оштете.

До 2020. године, 96% површина памука у САД користило је HR сорте, стварајући циклус зависности од хербицида. У почетку је овај приступ био ефикасан, али је временом коров развио отпорност путем природне селекције.

Данас, корови отпорни на хербициде нападају 70% америчких фарми, приморавајући пољопривреднике да користе 30% више хемикалија него пре десет година. На пример, Палмеров амарант, брзорастући коров са високом стопом репродукције, може смањити принос памука за 79% ако се не сузбије рано.

Финансијски терет је огроман: управљање отпорним коровом кошта пољопривреднике милијарде годишње, док отицање хербицида загађује 41% извора слатке воде у близини пољопривредног земљишта. Ови изазови истичу хитну потребу за иновативним решењима која смањују зависност од хемикалија, а истовремено одржавају продуктивност усева.

Машински вид: Одржива алтернатива за сузбијање корова

Као одговор на кризу отпорности на хербициде, истраживачи развијају системе машинског вида – технологије које комбинују камере, сензоре и алгоритме вештачке интелигенције – како би прецизно откриле и класификовале коров. Машински вид опонаша људску визуелну перцепцију, али са већом брзином и прецизношћу, омогућавајући аутоматизовано доношење одлука.

Ови системи омогућавају циљане интервенције, као што су роботски уређаји за уклањање корова који механички уклањају биљке или паметне прскалице које примењују хербициде само тамо где је потребно. Ране верзије ових технологија су се бориле са тачношћу, често погрешно идентификујући усеве као коров или не успевајући да открију мале биљке.

Међутим, напредак у дубоком учењу – подскупу машинског учења који користи неуронске мреже са више слојева за анализу података – драматично је побољшао перформансе. Конволуционе неуронске мреже (КНН), врста модела дубоког учења оптимизована за анализу слика, одлично се истичу у препознавању образаца у визуелним подацима.

Породица модела „Само погледај једном“ (YOLO), позната по својој брзини и тачности у детекцији објеката, постала је посебно популарна у пољопривреди. Најновија верзија, YOLOv8, постиже тачност преко 90% у детекцији корова, што је чини прекретницом у прецизној пољопривреди.

Скуп података CottonWeedDet12: Темељ за успех

Обука поузданих модела вештачке интелигенције захтева висококвалитетне податке, а скуп података CottonWeedDet12 је кључни ресурс за истраживање откривања корова. Скуп података је структурирана колекција података која се користи за обучавање и тестирање модела машинског учења.

Прикупљен са истраживачких фарми на Државном универзитету Мисисипија, овај скуп података укључује 5.648 слика поља памука високе резолуције, означених са 9.370 оквира који идентификују 12 уобичајених врста корова. Оквири су правоугаони оквири нацртани око објеката од интереса (нпр. корова) на сликама, пружајући прецизне локације за обуку модела вештачке интелигенције. Кључне карактеристике укључују:

• 12 класа короваВодена конопља (најчешћа), јутарња слава, Палмеров амарант, пегава мљечика и друге.
• 9.370 анотација граничног оквираСтручно обележено помоћу VGG Image Annotator-а (VIA).
• Разноврсни условиСлике снимљене под различитим светлом (сунчано, облачно), фазама раста и позадином земљишта

Коров се креће од водене конопље (најчешће) до јутарње глорије, палмеровог амаранта и пегаве мљечике. Да би се осигурало да скуп података одражава услове из стварног света, слике су снимљене под различитим осветљењем (сунчано, облачно) и у различитим фазама раста.

На пример, неки корови се појављују као мале саднице, док су други потпуно израсли. Поред тога, скуп података укључује различите позадине земљишта и распореде биљака, опонашајући сложеност стварних поља памука.

Пре тренирања YOLOv8 модела, истраживачи су претходно обрадили податке како би побољшали његову робусност. Претходна обрада подразумева модификовање сирових података како би се побољшала њихова погодност за тренирање вештачке интелигенције. Технике попут Мозаичне аугментације – која комбинује четири слике у једну – помогле су у симулацији густих популација корова.

Друге методе, као што су насумично скалирање и окретање, припремиле су модел за руковање варијацијама у величини и оријентацији биљака.

• Скалирање (±50%), смицање (±30°) и окретање ради имитирања варијабилности у стварном свету.

Техника визуелизације названа t-SNE (t-Distributed Stochastic Neighbor Embedding) - алгоритам машинског учења који смањује димензије података да би створио визуелне кластере - открила је различите групе за сваку класу корова, потврђујући погодност скупа података за моделе обуке како би препознали суптилне разлике између врста.

YOLOv8: Техничке иновације и архитектонски напредак

YOLOv8 се надовезује на успех ранијих YOLO модела са архитектонским надоградњама прилагођеним пољопривредним применама. У његовој сржи је CSPDarknet53, окосница неуронске мреже дизајнирана за издвајање хијерархијских карактеристика из слика. Окосница неуронске мреже је примарна компонента модела одговорна за обраду улазних података и издвајање релевантних карактеристика.

CSPDarknet53 користи Cross Stage Partial (CSP) везе — дизајн који дели мапе карактеристика мреже на два дела, обрађује их одвојено и касније спаја — како би се побољшао градијентни ток током обуке.

Градијентни ток се односи на то колико ефикасно неуронска мрежа ажурира своје параметре како би се минимизирале грешке, а њено побољшање осигурава да модел ефикасно учи. Архитектура такође интегрише мрежу пирамидалних карактеристика (FPN) и мрежу агрегације путања (PAN), које заједно раде на откривању препрека на вишеструким размерама.

• ФПНДетекција објеката више размера (нпр. малих садница у односу на зрео коров).
• ПАНПобољшава тачност локализације спајањем карактеристика преко мрежних слојева.

FPN је структура која комбинује карактеристике високе резолуције (за детекцију малих објеката) са семантички богатим карактеристикама (за препознавање великих објеката), док PAN усавршава тачност локализације спајањем карактеристика преко мрежних слојева. На пример, FPN идентификује мале саднице, док PAN усавршава локализацију зрелог корова.

За разлику од старијих модела који се ослањају на унапред дефинисане оквире за сидра – унапред подешене облике оквира за ограничавање који се користе за предвиђање локација објеката – YOLOv8 користи главе за детекцију без сидра. Ове главе директно предвиђају центре објеката, елиминишући сложена прорачунавања и смањујући лажно позитивне резултате.

Ова иновација не само да повећава тачност већ и убрзава обраду, јер YOLOv8 анализира слику за само 6,3 милисекунде на NVIDIA T4 GPU-у — високоперформансној графичкој процесорској јединици оптимизованој за задатке вештачке интелигенције.

Функција губитка модела – математичка формула која мери колико добро се предвиђања модела подударају са стварним подацима – комбинује CloU губитак за тачност граничног оквира, губитак унакрсне ентропије за класификацију и губитак фокуса дистрибуције за руковање неуравнотеженим подацима. CloU (Complete Intersection over Union) губитак побољшава поравнање граничног оквира узимајући у обзир површину преклапања, централно растојање и однос ширине и висине између предвиђених и стварних оквира.

Математички, укупан губитак је: L(θ)=7,5⋅Lbox+0,5⋅Lcls+0,375⋅Ldfl+РегуларизацијаL(θ)=7.5⋅Lкутија​+0.5⋅Lcls​+0.375⋅LДФЛ​+Регуларизација

Губитак унакрсне ентропије процењује тачност класификације упоређујући предвиђене вероватноће са стварним ознакама, док губитак фокалне дистрибуције решава неравнотежу класа тако што више кажњава модел због погрешне класификације ретких корова.

У поређењу са претходним верзијама YOLO, YOLOv8 их све надмашује. На пример, YOLOv4 је постигао просечну прецизност (mAP) од 95,22% при преклапању граничног оквира од 50%, док је YOLOv8 достигао 96,10%. mAP је метрика која усредњава резултате прецизности у свим категоријама, при чему веће вредности указују на бољу тачност детекције.

Слично томе, mAP модела YOLOv8 преко више прагова преклапања (0,5 до 0,95) био је 93,20%, што је надмашило 89,48% модела YOLOv4. Ова побољшања чине YOLOv8 најтачнијим и најефикаснијим моделом за детекцију корова у пољима памука.

Обука модела: методологија и резултати

Да би тренирали YOLOv8, истраживачи су користили трансфер учења – технику у којој се претходно обучен модел (већ обучен на великом скупу података) фино подешава на новим подацима. Трансфер учења скраћује време обуке и побољшава тачност коришћењем знања стеченог из претходних задатака.

Модел је обрађивао слике у серијама од по 32, користећи AdamW оптимизатор - варијанту Адамовог алгоритма оптимизације која укључује опадање тежине како би се спречило прекомерно прилагођавање - са брзином учења од 0,001.

Током преко 100 епоха (циклуса обуке), модел је научио да разликује коров од биљака памука са изузетном прецизношћу. Стратегије за допуњавање података, као што су насумично окретање слика и подешавање њихове осветљености, осигурале су да модел може да се носи са варијабилношћу у стварном свету.

Резултати су били импресивни. У првих 20 епоха, модел је постигао тачност преко 90%, демонстрирајући брзо учење. До краја обуке, YOLOv8 је детектовао велики коров са тачношћу од 94.40%.

Међутим, мањи коров се показао изазовнијим, а тачност је пала на 11.90%. Ова неслагања произилази из неравнотеже скупа података: велики коров је био прекомерно заступљен, док су мале саднице биле ретке. Упркос овом ограничењу, укупне перформансе YOLOv8 означавају значајан корак напред.

Изазови и будући правци

Иако YOLOv8 показује огромно обећање, изазови остају. Детекција малих корова је кључна за рану интервенцију, јер је садницама лакше управљати.

Да би се ово решило, истраживачи предлажу коришћење генеративних адверзарних мрежа (GAN) – класе вештачке интелигенције модела где се две неуронске мреже (генератор и дискриминатор) такмиче да би створиле реалистичне синтетичке податке – како би генерисале вештачке слике малих корова, уравнотежујући скуп података.

Друго решење укључује интеграцију мултиспектралног снимања, које снима податке изван видљиве светлости (нпр. блиског инфрацрвеног зрачења) како би се побољшао контраст између усева и корова. Сензори блиског инфрацрвеног зрачења детектују садржај хлорофила, чинећи да биљке изгледају светлије и лакше их је разликовати од земљишта.

Будуће верзије YOLO-а, као што су YOLOv9 и YOLOv10, могу додатно побољшати тачност. Очекује се да ће ови модели укључивати трансформаторске слојеве – врсту архитектуре неуронске мреже која паралелно обрађује податке, ефикасније хватајући зависности дугог домета од традиционалних конвенционалних неуронских мрежа – и динамичке пирамиде карактеристика које се прилагођавају величинама објеката. Такав напредак би могао помоћи у поузданијем откривању малих „корова“.

За пољопривреднике, следећи корак је тестирање на терену. Аутономне машине за плевенје опремљене YOLOv8 и камерама могле би да се крећу кроз редове памука, механички уклањајући коров. Слично томе, дронови са прскалицама на вештачки погон могли би прецизно да циљају хербициде, смањујући употребу хемикалија и до 90%.

Ове технологије не само да смањују трошкове већ и штите екосистеме, усклађујући се са циљевима одрживе пољопривреде – филозофије пољопривреде која даје приоритет здрављу животне средине, економској профитабилности и друштвеној равноправности.

Закључак

Пораст корова отпорних на хербициде приморао је пољопривреду на иновације, а YOLOv8 представља пробој у прецизном управљању коровом. Постизањем тачности од 96.10% у детекцији у реалном времену, овај модел омогућава пољопривредницима да смање употребу хербицида, смање трошкове и заштите животну средину.

Иако изазови попут откривања малог корова и даље постоје, континуирани напредак у вештачкој интелигенцији и сензорској технологији нуди решења. Како се ови алати развијају, они обећавају да ће трансформисати узгој памука у одрживију и ефикаснију праксу. У наредним годинама, интеграција YOLOv8 у аутономне системе могла би револуционисати пољопривреду.

Пољопривредници се могу ослонити на паметне роботе и дронове за управљање коровом, ослобађајући време и ресурсе за друге задатке. Овај помак ка пољопривреди заснованој на подацима не само да штити приносе усева, већ и осигурава здравију планету за будуће генерације. Прихватањем технологија попут YOLOv8, пољопривредна индустрија може превазићи изазове отпорности на хербициде и отворити пут ка зеленијој и продуктивнијој будућности.

РеференцаКан, А.Т., Јенсен, С.М. и Кан, А.Р. (2025). Унапређење прецизне пољопривреде: Компаративна анализа YOLOv8 за детекцију вишекласног корова у узгоју памука. Вештачка интелигенција у пољопривреди, 15, 182-191. https://doi.org/10.1016/j.aiia.2025.01.013