В этой статье вы узнаете, как снимки, полученные с помощью дронов, и искусственный интеллект помогают обнаруживать сорняки, создавать карты распространения сорняков, поддерживать целенаправленное опрыскивание и улучшать принятие решений в точном земледелии.
Сорняки конкурируют с культурными растениями за свет, воду и питательные вещества, что может снизить урожайность и увеличить затраты на обработку. Традиционное внесение гербицидов разбросным способом также может привести к попаданию химикатов на участки поля, где обработка не требуется, что увеличивает расход ресурсов и нагрузку на окружающую среду.
Анализ изображений, полученных с помощью дронов, на основе искусственного интеллекта стал одним из подходов к точному земледелию, позволяющим обнаруживать и картировать сорняки по аэрофотоснимкам. Однако эффективность этих систем варьируется в зависимости от исследования, поскольку производительность зависит от типа культуры, плотности сорняков, выбора датчика, качества изображения, качества аннотаций и полевых условий.
В этой статье объясняется, как работает обнаружение сорняков с воздуха, что влияет на производительность модели, как карты сорняков могут поддерживать целенаправленное опрыскивание и как такие платформы, как Sairone, вписываются в рабочие процессы.
Как работает обнаружение сорняков с помощью дронов
Основной рабочий процесс
Обнаружение сорняков с помощью дронов преобразует аэрофотоснимки в карты, показывающие вероятные места их произрастания. Типичный рабочий процесс включает в себя захват изображения, предварительную обработку, обнаружение или сегментацию растений, классификацию и создание выходных данных для использования в полевых условиях.
На практике система может классифицировать каждый пиксель, обнаруживать отдельные растения или комбинировать оба подхода в зависимости от модели и желаемого результата. Конечным результатом обычно является слой распространения сорняков, который может использоваться для мониторинга, картирования или планирования целенаправленных мероприятий по борьбе с ними.
Модели ИИ
В этой области широко используются модели глубокого обучения, поскольку они способны выявлять визуальные различия между сельскохозяйственными культурами, сорняками и почвой на основе аннотированных наборов изображений. К распространенным подходам относятся сверточные нейронные сети, модели обнаружения объектов семейства YOLO и архитектуры на основе трансформеров, но их производительность сильно зависит от обучающих данных и сценария развертывания.
Варианты обработки
Обработка изображений может выполняться либо на борту БПЛА, либо после полета в облачной системе. Обработка на борту позволяет принимать решения практически в режиме реального времени, в то время как облачная обработка обычно обеспечивает большую гибкость и меньшие аппаратные ограничения за счет задержки вывода результатов.
Варианты датчиков для картирования сорняков
RGB-изображения
Выбор сенсора сильно влияет на то, насколько хорошо сорняки можно отделить от сельскохозяйственных культур и почвы. Изображения в формате RGB часто достаточны для базового визуального обнаружения, но могут испытывать трудности, когда сельскохозяйственные культуры и сорняки имеют схожий зеленый цвет или когда мелкие сорняки занимают всего несколько пикселей.
Качество изображения в формате RGB также зависит от высоты полета, поскольку увеличение высоты снижает пространственную детализацию. Это затрудняет обнаружение сорняков на ранних стадиях или на ранней стадии их развития в практических полевых условиях.
Многоспектральные изображения
Мультиспектральные датчики добавляют такие диапазоны, как красный край спектра и ближний инфракрасный, что может улучшить анализ растительности по сравнению со стандартными RGB-изображениями. Эти диапазоны могут поддерживать такие индексы, как NDVI, и улучшать различение культурных растений и сорняков в некоторых сценариях, особенно когда визуальные различия незначительны.
Тем не менее, сообщаемые показатели F1 и связанные с ними метрики следует интерпретировать как результаты, специфичные для конкретного исследования, а не как универсальные эталоны. Их значение зависит от набора данных, дизайна класса, стадии развития культуры и протокола оценки.
Гиперспектральные изображения
Гиперспектральная съемка позволяет получать изображения во многих узких спектральных диапазонах и помогает различать виды растений с незначительными спектральными различиями. Однако, поскольку эти системы дороже и сложнее в эксплуатации, они по-прежнему чаще используются в научных исследованиях и специализированных приложениях, чем в рутинном коммерческом применении.
Эффективность обнаружения в полевых условиях
Почему результаты различаются
Показатели эффективности обнаружения сорняков значительно различаются в зависимости от культуры, численности сорняков, типов датчиков и методов оценки. Поэтому индивидуальные значения точности следует представлять как результаты конкретных исследований, а не как общие ожидания для всех ферм.
Полевые культуры и густые насаждения
В некоторых исследованиях, проведенных на томатных полях, сообщалось о высокой эффективности обнаружения сорняков в благоприятных условиях, особенно там, где сорняки визуально различимы от рядов культурных растений. Однако такие значения следует интерпретировать с осторожностью, поскольку они отражают конкретные наборы данных, планировку полей и условия оценки, а не универсальную эффективность на всех томатных полях.
Обнаружение сорняков на посевах кукурузы часто затруднено, поскольку структура посевов, перекрытие листьев и плотность растительного покрова могут скрывать границы сорняков. В густом растительном покрове мелкие сорняки и частично скрытые растения с большей вероятностью могут быть пропущены или неправильно классифицированы.
Интерпретация метрик
Показатели эффективности моделей существенно различаются в разных исследованиях, поскольку некоторые задачи включают только один класс сорняков, в то время как другие требуют обнаружения нескольких классов на визуально сложном фоне сельскохозяйственных культур. В результате такие значения, как mAP, точность, полнота или F1-мера, имеют смысл только тогда, когда они интерпретируются в рамках экспериментальной установки, которая их получила.
От картирования сорняков до целенаправленного опрыскивания
Подготовка поля и ввод данных
Успешное картирование сорняков зависит от перекрытия изображений, высоты полета, условий освещения и целевого расстояния для отбора проб с земли. Рекомендуемые параметры перекрытия могут служить полезным оперативным руководством, но их следует рассматривать как рекомендации, основанные на исследованиях, а не как фиксированные правила для каждого рабочего процесса.
В зависимости от желаемого результата платформы могут принимать ортомозаики с географической привязкой, такие как файлы GeoTIFF или стандартные форматы изображений. Пороговые значения достоверности также влияют на баланс между ложными срабатываниями и пропущенными обнаружениями, поэтому выбор порогового значения должен соответствовать практической цели анализа.
Выход и интеграция
Системы обнаружения сорняков могут экспортировать результаты в форматах, совместимых с ГИС, что позволяет использовать их для картирования, мониторинга и планирования обработки. Полученные данные затем могут быть интегрированы в более широкие рабочие процессы управления фермерским хозяйством или использованы для создания карт предписаний для целевых полевых работ.
Созданные с помощью ИИ карты сорняков могут способствовать целенаправленному применению гербицидов, определяя зоны обработки вместо равномерной обработки всего поля. На практике эта интеграция зависит от программной среды, совместимости файлов и рабочего процесса опрыскивания, а не от единого универсального метода переноса.
Сокращение использования гербицидов
Полевые испытания точечного опрыскивания показали значительное снижение использования гербицидов по сравнению с сплошным опрыскиванием. В одном исследовании сахарного тростника, цитируемом в источнике, точечное опрыскивание оказалось на 97% эффективнее сплошного, при этом в среднем снижая использование гербицидов на 35%, а в полосах с низкой засоренностью – до 65%.
Эти результаты полезны, но их следует рассматривать как данные, специфичные для конкретного контекста, а не как универсальные ожидания. Экономия зависит от типа культуры, количества сорняков, качества карты, метода применения и местных условий эксплуатации.
Воздействие на окружающую среду
Целенаправленное опрыскивание также может уменьшить попадание гербицидов в сток, если на поле применяется меньшее количество препарата. В тех же исследованиях сахарного тростника было отмечено снижение как концентрации гербицидов, так и их количества в стоке, но эти результаты зависят от условий участка, движения воды и площади обработки.
Экономические и практические ограничения
Трудозатраты и рентабельность инвестиций
Использование дронов для обследования местности может снизить необходимость ручного осмотра полей, особенно на больших территориях. Тем не менее, экономия трудозатрат зависит от того, как данные собираются, анализируются, проверяются и интегрируются в сельскохозяйственные операции, поэтому к общим процентным показателям следует относиться с осторожностью, если они не связаны с четко определенной схемой исследования.
Экономическая отдача от использования дронов для обнаружения сорняков зависит от размера фермы, стоимости урожая, затрат на гербициды, наличия рабочей силы, владения оборудованием и стоимости услуг. Поскольку эти переменные существенно различаются в зависимости от хозяйства, сроки достижения точки безубыточности следует представлять в виде оценок, основанных на конкретных сценариях, а не в виде фиксированных ожиданий.
Качество данных и обобщение
Производительность модели в значительной степени зависит от качества данных. Плохая аннотация, ограниченное видовое разнообразие и недостаточная изменчивость полевых условий могут снизить обобщающую способность на новые условия, поэтому для надежного внедрения модели часто необходимо ее обновление с использованием новых размеченных полевых данных.
Улучшение модели со временем возможно, но не происходит автоматически. Для достижения лучших результатов необходим структурированный процесс, включающий точную разметку, переобучение и проверку в новых полевых условиях.
Еаги решения как пример практического применения
Наши решения можно представить как пример практического применения технологии обнаружения сорняков на основе ИИ в сельском хозяйстве и мониторинге окружающей среды. Наши продукты поддерживают облачное использование, интеграцию API и развертывание под собственной торговой маркой для таких приложений, как борьба с сорняками и инвазивными растениями, а также связанная с этим полевая аналитика.
Платформа принимает на вход аэрофотоснимки, видео, ортофотоснимки или изображения в формате TIFF, а также другие визуальные источники данных, после чего предоставляет на выходе карты распространения сорняков и файлы экспорта, совместимые с ГИС, включая GeoJSON, Shapefile, KML и CSV.
По этой причине пример с соей в первоначальном проекте лучше рассматривать как практический пример использования, а не как независимое научное доказательство эффективности. Более точное описание заключается в том, что платформа предназначена для обработки аэрофотоснимков и получения результатов, которые могут помочь в картировании сорняков и планировании мероприятий по борьбе с ними на таких культурах, как соя.
Заключение
Аэрофотосъемка с использованием ИИ для обнаружения сорняков — перспективный инструмент для точного земледелия, особенно там, где фермерам необходим масштабируемый мониторинг полей и более целенаправленная борьба с сорняками. Его практическая ценность наиболее высока, когда качество изображения, полевые условия, данные для обучения модели и последующие рабочие процессы опрыскивания соответствуют предполагаемому сценарию применения.
Вместо того чтобы полагаться на единственное значение точности, лица, принимающие решения, должны сравнивать системы, основываясь на пригодности датчиков, полевых условиях, интеграции в рабочий процесс и данных, полученных в соответствующих сценариях выращивания сельскохозяйственных культур. Это делает оценку более реалистичной и научно обоснованной.
