Bomullsodling är en viktig del av jordbruket i USA och bidrar avsevärt till ekonomin. Bara under 2021 skördade bönderna över 4,5 miljoner hektar bomull, vilket producerade mer än 18 miljoner balar till ett värde av nästan ... 7,5 miljarder. Trots sin ekonomiska betydelse står bomullsodlingen inför en stor utmaning: ogräs.
Ogräs, som är oönskade växter som växer bredvid grödor, konkurrerar med bomullsplantor om viktiga resurser som vatten, näringsämnen och solljus. Om de lämnas okontrollerade kan de minska skördarna med upp till 50Utöver ekonomiska påfrestningar orsakar överdriven användning av herbicider miljöproblem och förorenar mark och vattenkällor.
För att hantera dessa utmaningar vänder sig forskare till precisionsjordbruksteknik – en jordbruksmetod som använder datadrivna verktyg för att optimera hanteringen på fältnivå. En banbrytande lösning är YOLOv8-modellen – ett banbrytande AI-verktyg för ogräsdetektering i realtid.
Ökningen av herbicidresistens och dess inverkan
Det utbredda användandet av herbicidresistenta (HR) bomullsfrön sedan 1996 har förändrat jordbruksmetoder. HR-grödor är genetiskt modifierade för att överleva specifika herbicider, vilket gör det möjligt för jordbrukare att spruta kemikalier som glyfosat direkt över grödor utan att skada dem.
År 2020 använde 96% av den amerikanska bomullsarealen HR-sorter, vilket skapade en cykel av beroende av herbicider. Inledningsvis var denna metod effektiv, men med tiden utvecklade ogräs resistens genom naturligt urval.
Idag angriper herbicidresistenta ogräs amerikanska gårdar, vilket tvingar jordbrukare att använda fler kemikalier än för ett decennium sedan. Till exempel kan Palmer Amaranth, ett snabbväxande ogräs med hög reproduktionshastighet, minska bomullsavkastningen med 79% om det inte bekämpas tidigt.
Den ekonomiska bördan är enorm: hanteringen av resistenta ogräs kostar jordbrukare miljarder årligen, medan avrinning av herbicider förorenar 41% av sötvattenkällor nära jordbruksmark. Dessa utmaningar belyser det akuta behovet av innovativa lösningar som minskar beroendet av kemikalier samtidigt som grödornas produktivitet bibehålls.
Maskinseende: Ett hållbart alternativ för ogräsbekämpning
Som svar på krisen med herbicidresistens utvecklar forskare maskinseendesystem – tekniker som kombinerar kameror, sensorer och AI-algoritmer – för att upptäcka och klassificera ogräs korrekt. Maskinseendet härmar mänsklig visuell uppfattning men med större hastighet och precision, vilket möjliggör automatiserat beslutsfattande.
Dessa system möjliggör riktade insatser, såsom robotiserade ogräsrensare som avlägsnar växter mekaniskt eller smarta sprutor som applicerar herbicider endast där det behövs. Tidiga versioner av dessa tekniker hade svårt med noggrannhet och identifierade ofta grödor felaktigt som ogräs eller misslyckades med att upptäcka små plantor.
Framsteg inom djupinlärning – en delmängd av maskininlärning som använder neurala nätverk med flera lager för att analysera data – har dock dramatiskt förbättrat prestandan. Konvolutionella neurala nätverk (CNN), en typ av djupinlärningsmodell optimerad för bildanalys, utmärker sig på att känna igen mönster i visuell data.
Modellfamiljen YOLO (You Only Look Once), känd för sin snabbhet och noggrannhet vid objektdetektering, har blivit särskilt populär inom jordbruket. Den senaste versionen, YOLOv8, uppnår över 90% noggrannhet vid ogräsdetektering, vilket gör den banbrytande för precisionsjordbruk.
CottonWeedDet12-datasetet: En grund för framgång
Att träna tillförlitliga AI-modeller kräver högkvalitativ data, och CottonWeedDet12-datasetet är en viktig resurs för forskning om ogräsdetektering. En dataset är en strukturerad samling data som används för att träna och testa maskininlärningsmodeller.
Denna datauppsättning, som samlats in från forskningsgårdar vid Mississippi State University, innehåller 5 648 högupplösta bilder av bomullsfält, kommenterade med 9 370 avgränsande rutor som identifierar 12 vanliga ogräsarter. Avgränsande rutor är rektangulära ramar som ritas runt intressanta objekt (t.ex. ogräs) i bilder, vilket ger exakta platser för träning av AI-modeller. Viktiga funktioner inkluderar:
- 12 ogräsklasser: Vattenhampa (mest förekommande), morgonblomma, palmeramarant, fläckig spurge och andra.
- 9 370 anteckningar för avgränsningsrutorExpertmärkt med VGG Image Annotator (VIA).
- Olika förhållandenBilder tagna under varierande ljus (soligt, mulet), tillväxtstadier och jordbakgrunder
Ogräsen sträcker sig från vattenhampa (den vanligaste) till morgonblomma, palmamarant och fläckig spurge. För att säkerställa att datasetet återspeglar verkliga förhållanden togs bilderna under varierande ljus (soligt, mulet) och vid olika tillväxtstadier.
Till exempel visas vissa ogräs som små plantor, medan andra är fullvuxna. Dessutom innehåller datamängden olika jordbakgrunder och växtarrangemang, vilket efterliknar komplexiteten hos faktiska bomullsfält.
Innan YOLOv8-modellen tränades förbehandlade forskarna data för att förbättra dess robusthet. Förbehandling innebär att modifiera rådata för att förbättra dess lämplighet för AI-träning. Tekniker som Mosaic augmentation – som kombinerar fyra bilder till en – hjälpte till att simulera täta ogräspopulationer.
Andra metoder, såsom slumpmässig skalning och vändning, förberedde modellen för att hantera variationer i växtstorlek och orientering.
- Skalning (±50%), skjuvning (±30°) och vändning för att efterlikna verklig variation.
En visualiseringsteknik som kallas t-SNE (t-Distributed Stochastic Neighbor Embedding) – en maskininlärningsalgoritm som reducerar datadimensioner för att skapa visuella kluster – avslöjade distinkta grupperingar för varje ogräsklass, vilket bekräftade datamängdens lämplighet för träningsmodeller för att känna igen subtila skillnader mellan arter.
YOLOv8: Tekniska innovationer och arkitektoniska framsteg
YOLOv8 bygger vidare på framgången från tidigare YOLO-modeller med arkitektoniska uppgraderingar skräddarsydda för jordbrukstillämpningar. Kärnan är CSPDarknet53, ett neuralt nätverksstamnät utformat för att extrahera hierarkiska funktioner från bilder. Ett neuralt nätverksstamnät är den primära komponenten i en modell som ansvarar för att bearbeta indata och extrahera relevanta funktioner.
CSPDarknet53 använder Cross Stage Partial (CSP)-anslutningar – en design som delar upp nätverkets funktionskartor i två delar, bearbetar dem separat och sammanfogar dem senare – för att förbättra gradientflödet under träning.
Gradientflöde hänvisar till hur effektivt ett neuralt nätverk uppdaterar sina parametrar för att minimera fel, och förbättringar av det säkerställer att modellen lär sig effektivt. Arkitekturen integrerar också ett Feature Pyramid Network (FPN) och ett Path Aggregation Network (PAN), som arbetar tillsammans för att upptäcka ogräs i flera skalor.
- FPN: Upptäcker objekt i flera skalor (t.ex. små plantor kontra moget ogräs).
- PANORERAFörbättrar lokaliseringsnoggrannheten genom att sammanfoga funktioner över nätverkslager.
FPN är en struktur som kombinerar högupplösta funktioner (för att detektera små objekt) med semantiskt rika funktioner (för att känna igen stora objekt), medan PAN förfinar lokaliseringsnoggrannheten genom att sammanfoga funktioner över nätverkslager. Till exempel identifierar FPN små plantor, medan PAN förfinar lokaliseringen av mogna ogräs.
Till skillnad från äldre modeller som förlitar sig på fördefinierade ankarboxar – förinställda avgränsande boxformer som används för att förutsäga objekts positioner – använder YOLOv8 ankarfria detektionshuvuden. Dessa huvuden förutsäger objektens centrum direkt, vilket eliminerar komplexa beräkningar och minskar falska positiva resultat.
Denna innovation ökar inte bara noggrannheten utan snabbar också upp bearbetningen, med YOLOv8 som analyserar en bild på bara 6,3 millisekunder på en NVIDIA T4 GPU – en högpresterande grafikprocessor optimerad för AI-uppgifter.
Modellens förlustfunktion – en matematisk formel som mäter hur väl modellens förutsägelser matchar faktiska data – kombinerar CloU-förlust för noggrannhet i avgränsningsboxar, korsentropiförlust för klassificering och fokusförlust i distributionen för att hantera obalanserade data. CloU-förlust (Complete Intersection over Union) förbättrar avgränsningsboxens justering genom att beakta överlappningsområdet, centrumavståndet och bildförhållandet mellan förutspådda och faktiska boxar.
Matematiskt, den totala förlusten är: L(θ)=7,5⋅Lbox+0,5⋅Lcls+0,375⋅Ldfl+Regularisering
Korsentropiförlust utvärderar klassificeringsnoggrannhet genom att jämföra förutspådda sannolikheter med verkliga etiketter, medan distributionsfokalförlust åtgärdar klassobalans genom att bestraffa modellen mer för felklassificering av sällsynta ogräs.
Jämfört med tidigare YOLO-versioner överträffar YOLOv8 dem alla. Till exempel uppnådde YOLOv4 en genomsnittlig precision (mAP) på 95,22% vid 50% överlappning mellan avgränsningsrutorna, medan YOLOv8 nådde 96,10%. mAP är ett mått som beräknar medelvärdet av precisionspoäng över alla kategorier, där högre värden indikerar bättre detektionsnoggrannhet.
På liknande sätt var YOLOv8:s mAP över flera överlappningsgränser (0,5 till 0,95) 93,20%, vilket överträffade YOLOv4:s 89,48%. Dessa förbättringar gör YOLOv8 till den mest exakta och effektiva modellen för ogräsdetektering i bomullsfält.
Träna modellen: Metod och resultat
För att träna YOLOv8 använde forskare transfer learning – en teknik där en förtränad modell (redan tränad på en stor datamängd) finjusteras på ny data. Transfer learning minskar träningstiden och förbättrar noggrannheten genom att utnyttja kunskap som erhållits från tidigare uppgifter.
Modellen bearbetade bilder i omgångar om 32, med hjälp av AdamW-optimeraren – en variant av Adam-optimeringsalgoritmen som innehåller viktminskning för att förhindra överanpassning – med en inlärningshastighet på 0,001.
Under över 100 epoker (träningscykler) lärde sig modellen att skilja ogräs från bomullsplantor med anmärkningsvärd precision. Dataförstärkningsstrategier, som att slumpmässigt vända bilder och justera deras ljusstyrka, säkerställde att modellen kunde hantera verkliga variationer.
Resultaten var imponerande. Inom de första 20 epokerna uppnådde modellen en noggrannhet på över 90%, vilket visar snabb inlärning. Vid slutet av träningen detekterade YOLOv8 stora ogräs med en noggrannhet på 94,40%.
Mindre ogräs visade sig dock vara mer utmanande, med en noggrannhet som sjönk till 11,90%. Denna skillnad härrör från datasetets obalans: stora ogräs var överrepresenterade, medan små plantor var sällsynta. Trots denna begränsning markerar YOLOv8:s övergripande prestanda ett betydande språng framåt.
Utmaningar och framtida riktningar
Även om YOLOv8 visar enorma lovande resultat kvarstår utmaningar. Att upptäcka små ogräs är avgörande för tidiga insatser, eftersom plantor är lättare att hantera.
För att hantera detta föreslår forskare att man använder generativa adversariella nätverk (GAN) – en klass av AI-modeller där två neurala nätverk (en generator och en diskriminator) konkurrerar om att skapa realistiska syntetiska data – för att generera artificiella bilder av små ogräs och balansera datamängden.
En annan lösning innebär att integrera multispektral avbildning, som fångar data bortom synligt ljus (t.ex. nära-infrarött) för att förbättra kontrasten mellan grödor och ogräs. Nära-infraröda sensorer detekterar klorofyllinnehåll, vilket gör att växter ser ljusare ut och lättare att skilja från jord.
Framtida versioner av YOLO, såsom YOLOv9 och YOLOv10, kan ytterligare förbättra noggrannheten. Dessa modeller förväntas innehålla transformatorlager – en typ av neuralt nätverksarkitektur som bearbetar data parallellt och fångar långsiktiga beroenden mer effektivt än traditionella CNN – och dynamiska funktionspyramider som anpassar sig till objektstorlekar. Sådana framsteg kan bidra till att upptäcka små ogräs mer tillförlitligt.
För jordbrukare är nästa steg fälttester. Autonoma ogräsröjare utrustade med YOLOv8 och kameror kan navigera i rader av bomull och ta bort ogräs mekaniskt. På liknande sätt kan drönare med AI-drivna sprutor rikta in sig på herbicider exakt, vilket minskar kemikalieanvändningen med upp till 90%.
Dessa tekniker minskar inte bara kostnaderna utan skyddar även ekosystemen, vilket överensstämmer med målen för hållbart jordbruk – en jordbruksfilosofi som prioriterar miljöhälsa, ekonomisk lönsamhet och social rättvisa.
Slutsats
Ökningen av herbicidresistenta ogräs har tvingat jordbruket att förnya sig, och YOLOv8 representerar ett genombrott inom precisionsogräsbekämpning. Genom att uppnå 96.10%-noggrannhet i realtidsdetektering ger denna modell jordbrukare möjlighet att minska herbicidanvändningen, sänka kostnaderna och skydda miljön.
Medan utmaningar som att upptäcka små ogräs kvarstår, erbjuder fortsatta framsteg inom AI och sensorteknik lösningar. I takt med att dessa verktyg utvecklas lovar de att omvandla bomullsodling till en mer hållbar och effektiv metod. Under de kommande åren skulle integrationen av YOLOv8 i autonoma system kunna revolutionera jordbruket.
Jordbrukare kan förlita sig på smarta robotar och drönare för att hantera ogräs, vilket frigör tid och resurser för andra uppgifter. Denna övergång till datadrivet jordbruk skyddar inte bara skördarna utan säkerställer också en hälsosammare planet för kommande generationer. Genom att anamma teknik som YOLOv8 kan jordbruksindustrin övervinna utmaningarna med herbicidresistens och bana väg för en grönare och mer produktiv framtid.
HänvisningKhan, AT, Jensen, SM, & Khan, AR (2025). Att främja precisionsjordbruk: En jämförande analys av YOLOv8 för detektering av ogräs i flera klasser inom bomullsodling. Artificial Intelligence in Agriculture, 15, 182-191. https://doi.org/10.1016/j.aiia.2025.01.013

















