ИИ-система идентифицирует сорняки в яблоневых садах для сельскохозяйственного робота
Контроль сорняков в яблоневых садах критически важен, так как они конкурируют с деревьями за питательные вещества, воду и солнечный свет, что снижает урожайность. Физическое удаление сорняков трудоемко и может повредить структуру почвы и корни деревьев, а химические обработки ведут к загрязнению, устойчивости сорняков к гербицидам и остаткам химикатов на плодах.
Прецизионное управление сорняками и робототехника
Прецизионное управление сорняками — их точное обнаружение и измерение с последующим локальным применением малых доз гербицида — позволяет избежать перерасхода химикатов и вреда для культур и окружающей среды. Исследователи из Penn State разрабатывают автоматизированную роботизированную систему для такой точной борьбы.
В декабрьском выпуске журнала Computers and Electronics in Agriculture они сообщили о ключевом шаге в этом процессе: модели машинного зрения на основе ИИ, которая может точно находить, очерчивать, интерпретировать и оценивать плотность сорняков в яблоневых садах.
Машинное зрение и камеры бокового обзора
Система, предназначенная для будущего робота-опрыскивателя, использует инновацию в машинном зрении, позволяющую камере бокового обзора обнаруживать и идентифицировать сорняки для обработки — даже частично скрытые.
В сложных условиях сада кроны и низкие ветви деревьев блокируют обзор сверху, делая беспилотники с камерами верхнего обзора неэффективными. Камера бокового обзора помогает, но сорняки могут быть частично видны или скрыты за стволами, что приводит к ошибкам идентификации или потере отслеживания в реальном времени.
Улучшение моделей глубокого обучения для обнаружения
Чтобы преодолеть эти проблемы, команда усовершенствовала коммерчески доступную модель глубокого обучения для программы машинного зрения. Исходная модель уже могла быстро обнаруживать объекты и выполнять сегментацию (очерчивать точную форму сорняка).
Исследователи добавили модуль, который помогает модели «концентрировать внимание» на наиболее важных признаках изображения, подавляя нерелевантную информацию. Это улучшило точность, когда части сорняков скрыты или плохо различимы. Также был интегрирован алгоритм отслеживания с механизмом фильтрации для сохранения идентичности сорняка между кадрами видео и предотвращения его повторного подсчета, даже если он временно скрывается за деревьями или другими сорняками.
Тестирование и результаты в яблоневых садах
Данные для исследования собирались в Fruit Research and Extension Center Penn State в Биглервилле и близлежащих садах. Целевые виды сорняков включали одуванчик, осот обыкновенный, мелколепестник канадский и паслен каролинский. Были сделаны высококачественные фотографии для формирования набора данных для обучения и тестирования модели ИИ.
Модель показала высокую точность обнаружения сорняков, что делает её пригодной для автоматизированного управления в садах. Она достигла:
- 84.9% средней точности (average precision) для сегментации (очерчивания).
- 83.6% средней точности для локализации (нахождения).
В отслеживании объектов между кадрами модель показала:
- 82% по метрике MOTA (точность отслеживания множества объектов).
- 78% по метрике MOTP (прецизионность оценки позиций).
- 88% по метрике идентификации (IDF1), что демонстрирует способность правильно сохранять идентичность сорняков.
За всё исследование модель зафиксировала всего 6 случаев перепутывания идентичности (identity switches), то есть она редко путала один сорняк с другим при отслеживании.
Будущее влияние и команда исследователей
Это исследование — значительный шаг к автоматизированному прецизионному контролю сорняков в сельском хозяйстве. Комбинируя улучшенное обнаружение, надежное отслеживание и оценку плотности, модель обеспечивает точную и последовательную идентификацию даже в сложных условиях сада, предоставляя данные для точечного управления сорняками, что повысит эффективность гербицидов и сократит их расход.
В исследовании участвовали Кайо Брунхаро, Пол Хайнеманн, Маньи Хуссейн и Саджад Махнан.