Як багатоцільове виявлення бур'янів на основі YOLOv8 покращує точне землеробство бавовни?

Бавовництво є життєво важливою частиною сільського господарства в США, що робить значний внесок в економіку країни. Лише у 2021 році фермери зібрали врожай з понад 10 мільйонів акрів бавовни, виробивши понад 18 мільйонів тюків вартістю майже 7,5 мільярдів. Незважаючи на свою економічну важливість, вирощування бавовни стикається з великою проблемою: бур'янами.

$7.5біЯ\; буду...ion.$Окрім фінансових витрат, надмірне використання гербіцидів викликає екологічні проблеми, забруднюючи ґрунт і джерела води.

Для вирішення цих проблем дослідники звертаються до технологій точного землеробства - підходу до ведення сільського господарства, який використовує інструменти на основі даних для оптимізації управління на рівні поля. Одним із революційних рішень є модель YOLOv8 - передовий інструмент штучного інтелекту для виявлення бур'янів у режимі реального часу.

Зростання стійкості до гербіцидів та його наслідки

Широке розповсюдження насіння бавовни, стійкого до гербіцидів (СГ), з 1996 року змінило практику ведення сільського господарства. Стійкі до гербіцидів культури генетично модифіковані для виживання під впливом певних гербіцидів, що дозволяє фермерам розпилювати хімікати, такі як гліфосат, безпосередньо над посівами, не завдаючи їм шкоди.

До 2020 року 96% посівних площ бавовнику в США використовували сорти HR, створюючи цикл залежності від гербіцидів. Спочатку такий підхід був ефективним, але з часом бур'яни розвинули стійкість до них через природний відбір.

Сьогодні стійкі до гербіцидів бур'яни засмічують 70% американських ферм, що змушує фермерів використовувати на 30% більше хімікатів, ніж десять років тому. Наприклад, амарант Палмера, швидкорослий бур'ян з високою швидкістю розмноження, може знизити врожайність бавовни на 791 т/га, якщо його не контролювати на ранніх стадіях.

Фінансовий тягар величезний: боротьба зі стійкими бур'янами коштує фермерам мільярди щороку, а стоки гербіцидів забруднюють 41% джерел прісної води поблизу сільськогосподарських угідь. Ці виклики підкреслюють нагальну потребу в інноваційних рішеннях, які зменшують залежність від хімікатів, зберігаючи при цьому продуктивність сільськогосподарських культур.

Машинний зір: Стала альтернатива для боротьби з бур'янами

У відповідь на кризу стійкості до гербіцидів дослідники розробляють системи машинного зору - технології, що поєднують камери, датчики та алгоритми штучного інтелекту - для точного виявлення та класифікації бур'янів. Машинний зір імітує людське зорове сприйняття, але з більшою швидкістю і точністю, що дозволяє автоматизувати процес прийняття рішень.

Ці системи уможливлюють цілеспрямоване втручання, наприклад, роботизовані прополювачі, які видаляють рослини механічно, або "розумні" обприскувачі, які застосовують гербіциди лише там, де це необхідно. Ранні версії цих технологій мали проблеми з точністю, часто помилково ідентифікуючи культури як бур'яни або не виявляючи дрібні рослини.

Однак досягнення в галузі глибинного навчання - підмножини машинного навчання, яка використовує нейронні мережі з декількома шарами для аналізу даних - значно покращили продуктивність. Згорткові нейронні мережі (CNN), тип моделі глибокого навчання, оптимізований для аналізу зображень, чудово розпізнають патерни у візуальних даних.

Сімейство моделей You Only Look Once (YOLO), відоме своєю швидкістю і точністю виявлення об'єктів, стало особливо популярним у сільському господарстві. Остання модель, YOLOv8, досягає точності виявлення бур'янів понад 90%, що робить її революційним рішенням для точного землеробства.

Набір даних CottonWeedDet12: Фундамент для успіху

Для навчання надійних моделей штучного інтелекту потрібні високоякісні дані, а набір даних CottonWeedDet12 є важливим ресурсом для досліджень з виявлення бур'янів. Набір даних - це структурована колекція даних, яка використовується для навчання та тестування моделей машинного навчання.

Цей набір даних, зібраний на дослідницьких фермах Університету штату Міссісіпі, містить 5 648 зображень бавовняних полів з високою роздільною здатністю, анотованих 9 370 рамками, що ідентифікують 12 найпоширеніших видів бур'янів. Обмежувальні рамки - це прямокутні рамки, намальовані навколо об'єктів, що представляють інтерес (наприклад, бур'янів) на зображеннях, які забезпечують точне розташування для навчання моделей ШІ. Основні характеристики включають:

• 12 класів бур'янів: Водяні коноплі (найпоширеніші), іпомея, амарант пальчастий, молочай плямистий та інші.
• 9 370 анотацій до обмежувальних рамок: Експертно підписано за допомогою VGG Image Annotator (VIA).
• Різноманітні умови: Зображення, зроблені при різному освітленні (сонячному, похмурому), на різних стадіях росту та на різних фонах ґрунту

Бур'яни варіюються від водяних конопель (найпоширеніший) до іпомеї, амаранту Палмера та плямистого молочаю. Щоб гарантувати, що набір даних відображає реальні умови, зображення були зроблені при різному освітленні (сонячному, похмурому) та на різних стадіях росту.

Наприклад, деякі бур'яни виглядають як маленькі проростки, тоді як інші повністю виросли. Крім того, набір даних включає різноманітні ґрунтові фони та розташування рослин, що імітує складність реальних бавовняних полів.

Перед початком навчання моделі YOLOv8 дослідники попередньо обробили дані, щоб підвищити її надійність. Попередня обробка передбачає модифікацію вихідних даних, щоб покращити їхню придатність для навчання ШІ. Такі методи, як доповнення мозаїки, що поєднує чотири зображення в одне, допомогли змоделювати густі популяції бур'янів.

Інші методи, такі як випадкове масштабування та перевертання, підготували модель до роботи з варіаціями розміру та орієнтації рослин.

• Масштабування (±50%), зсув (±30°) і перегортання для імітації мінливості реального світу.

Метод візуалізації під назвою t-SNE (t-розподілене стохастичне вбудовування сусідів) - алгоритм машинного навчання, який зменшує розмірність даних для створення візуальних кластерів - виявив чіткі групування для кожного класу бур'янів, підтвердивши придатність набору даних для навчання моделей розпізнавання тонких відмінностей між видами.

YOLOv8: технічні інновації та архітектурні досягнення

YOLOv8 ґрунтується на успіху попередніх моделей YOLO з архітектурними оновленнями, пристосованими для сільськогосподарських застосувань. В її основі лежить CSPDarknet53 - нейронна мережа, призначена для вилучення ієрархічних ознак із зображень. Нейронна мережа - це основний компонент моделі, що відповідає за обробку вхідних даних і вилучення релевантних ознак.

CSPDarknet53 використовує Cross Stage Partial (CSP) з'єднання - конструкцію, яка розділяє карти особливостей мережі на дві частини, обробляє їх окремо, а потім об'єднує - для покращення градієнтного потоку під час навчання.

Градієнтний потік показує, наскільки ефективно нейронна мережа оновлює свої параметри для мінімізації помилок, а його покращення забезпечує ефективне навчання моделі. Архітектура також інтегрує мережу піраміди ознак (Feature Pyramid Network, FPN) та мережу агрегації шляхів (Path Aggregation Network, PAN), які працюють разом для виявлення бур'янів на різних рівнях.

• FPN: Виявляє різномасштабні об'єкти (наприклад, маленькі саджанці проти зрілих бур'янів).
• ПАН: Підвищує точність локалізації завдяки об'єднанню функцій на різних рівнях мережі.

FPN - це структура, яка поєднує ознаки високої роздільної здатності (для виявлення дрібних об'єктів) із семантично багатими ознаками (для розпізнавання великих об'єктів), тоді як PAN підвищує точність локалізації, об'єднуючи ознаки на різних рівнях мережі. Наприклад, FPN ідентифікує маленькі саджанці, тоді як PAN уточнює локалізацію зрілих бур'янів.

На відміну від старіших моделей, які покладаються на заздалегідь визначені опорні рамки - попередньо встановлені форми обмежувальних рамок, що використовуються для прогнозування розташування об'єктів, - в YOLOv8 використовуються безопорні головки виявлення. Ці головки визначають центри об'єктів безпосередньо, усуваючи складні обчислення і зменшуючи кількість хибних спрацьовувань.

Ця інновація не тільки підвищує точність, але й прискорює обробку: YOLOv8 аналізує зображення всього за 6,3 мілісекунди на графічному процесорі NVIDIA T4 - високопродуктивному графічному процесорі, оптимізованому для завдань штучного інтелекту.

Функція втрат моделі - математична формула, яка вимірює, наскільки добре прогнози моделі відповідають фактичним даним - поєднує в собі втрати CloU для точності обмежувальної рамки, перехресні ентропійні втрати для класифікації та фокальні втрати розподілу для обробки незбалансованих даних. Втрати CloU (повного перетину над об'єднанням) покращують вирівнювання граничної області, враховуючи площу перекриття, міжцентрову відстань і співвідношення сторін між прогнозованою і фактичною областями.

Математично, загальний збиток становить: L(θ)=7.5⋅Lbox+0.5⋅Lcls+0.375⋅Ldfl+РегуляризаціяL(θ)=7.5⋅Lящик​+0.5⋅Lcls​+0.375⋅Ldfl​+Регулювання

Перехресні ентропійні втрати оцінюють точність класифікації, порівнюючи прогнозовані ймовірності з істинними мітками, тоді як фокальні втрати розподілу враховують дисбаланс класів, накладаючи на модель більший штраф за неправильну класифікацію рідкісних бур'янів.

У порівнянні з попередніми версіями YOLO, YOLOv8 перевершує їх усі. Наприклад, YOLOv4 досягла середньої середньої точності (mAP) 95,22% при перекритті 50%, тоді як YOLOv8 досягла 96,10%. mAP - це показник, який усереднює оцінки точності за всіма категоріями, причому вищі значення свідчать про кращу точність виявлення.

Аналогічно, mAP YOLOv8 для декількох порогів перекриття (від 0,5 до 0,95) становила 93,20%, що перевищує показник YOLOv4 (89,48%). Ці покращення роблять YOLOv8 найточнішою та найефективнішою моделлю для виявлення бур'янів на бавовняних полях.

Навчання моделі: Методологія та результати

Для навчання YOLOv8 дослідники використовували метод навчання з перенесенням - техніку, коли попередньо навчену модель (вже навчену на великому наборі даних) допрацьовують на нових даних. Трансферне навчання скорочує час навчання та підвищує точність завдяки використанню знань, отриманих під час виконання попередніх завдань.

Модель обробляла зображення партіями по 32, використовуючи оптимізатор AdamW - варіант алгоритму оптимізації Адама, який включає розпад ваги для запобігання перенавчання - зі швидкістю навчання 0,001.

За 100 епох (циклів навчання) модель навчилася відрізняти бур'яни від рослин бавовнику з надзвичайною точністю. Стратегії доповнення даних, такі як випадкове перегортання зображень і регулювання їхньої яскравості, забезпечили здатність моделі впоратися з мінливістю реального світу.

Результати були вражаючими. Протягом перших 20 епох модель досягла точності понад 90%, продемонструвавши швидке навчання. Наприкінці навчання YOLOv8 виявив великі бур'яни з точністю 94,40%.

Однак дрібні бур'яни виявилися більш складним завданням, і точність знизилася до 11,90%. Ця розбіжність пов'язана з незбалансованістю набору даних: великі бур'яни були перепредставлені, тоді як дрібні сходи були рідкісними. Незважаючи на це обмеження, загальна продуктивність YOLOv8 знаменує собою значний стрибок вперед.

Виклики та майбутні напрямки

Хоча YOLOv8 демонструє величезні перспективи, проблеми залишаються. Виявлення дрібних бур'янів має вирішальне значення для раннього втручання, оскільки з проростками легше впоратися.

Щоб вирішити цю проблему, дослідники пропонують використовувати генеративні змагальні мережі (GAN) - клас моделей ШІ, де дві нейронні мережі (генератор і дискримінатор) змагаються за створення реалістичних синтетичних даних - для створення штучних зображень дрібних бур'янів, балансуючи набір даних.

Інше рішення передбачає інтеграцію мультиспектральної зйомки, яка фіксує дані за межами видимого світла (наприклад, в ближньому інфрачервоному діапазоні), щоб підвищити контраст між культурами та бур'янами. Датчики ближнього інфрачервоного діапазону визначають вміст хлорофілу, завдяки чому рослини виглядають яскравіше і їх легше відрізнити від ґрунту.

Майбутні версії YOLO, такі як YOLOv9 і YOLOv10, можуть ще більше підвищити точність. Очікується, що ці моделі включатимуть трансформаторні шари - тип архітектури нейронної мережі, яка обробляє дані паралельно, фіксуючи довгострокові залежності більш ефективно, ніж традиційні CNN - і динамічні піраміди ознак, які адаптуються до розмірів об'єктів. Такі вдосконалення можуть допомогти надійніше виявляти дрібні бур'яни.

Для фермерів наступний крок - польові випробування. Автономні прополювачі, оснащені YOLOv8 і камерами, можуть переміщатися між рядами бавовни, видаляючи бур'яни механічно. Аналогічно, дрони з обприскувачами на базі штучного інтелекту можуть точно дозувати гербіциди, зменшуючи використання хімікатів до 90%.

Ці технології не лише скорочують витрати, але й захищають екосистеми, що відповідає цілям сталого сільського господарства - філософії землеробства, яка ставить на перше місце здоров'я довкілля, економічну прибутковість та соціальну справедливість.

Висновок

Зростання кількості стійких до гербіцидів бур'янів змусило сільське господарство впроваджувати інновації, і YOLOv8 є проривом у точній боротьбі з бур'янами. Досягаючи точності виявлення в режимі реального часу 96,10%, ця модель дає можливість фермерам зменшити використання гербіцидів, знизити витрати та захистити навколишнє середовище.

Хоча такі проблеми, як виявлення дрібних бур'янів, залишаються актуальними, постійний прогрес у галузі штучного інтелекту та сенсорних технологій пропонує рішення. З розвитком цих інструментів вони обіцяють перетворити вирощування бавовни на більш стійку та ефективну практику. У найближчі роки інтеграція YOLOv8 в автономні системи може зробити революцію в сільському господарстві.

Фермери можуть покладатися на розумних роботів і безпілотники для боротьби з бур'янами, звільняючи час і ресурси для інших завдань. Цей перехід до сільського господарства, керованого даними, не лише захищає врожайність, але й забезпечує більш здорову планету для майбутніх поколінь. Використовуючи такі технології, як YOLOv8, сільськогосподарська галузь може подолати проблеми стійкості до гербіцидів і прокласти шлях до більш екологічного та продуктивного майбутнього.

Посилання: Хан, А. Т., Дженсен, С. М. и Хан, А. Р. (2025). Просування точного землеробства: Порівняльний аналіз YOLOv8 для виявлення багатокласових бур'янів при вирощуванні бавовни. Штучний інтелект у сільському господарстві, 15, 182-191. https://doi.org/10.1016/j.aiia.2025.01.013