В этой статье Вы узнаете о том, 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, изменяющие экосистему, считаются одной из главных угроз для долгосрочного успеха рекультивации шахт. Поэтому на многих горнодобывающих предприятиях ведется тщательный мониторинг наличия, численности, распространения и численности заявленных видов сорняков на рекультивированных территориях. Мониторинг сорняков традиционно проводится с помощью полевых работ и визуальной оценки. Однако эти методы могут быть медленными, дорогостоящими и трудоемкими. В отличие от них, дистанционное зондирование может помочь преодолеть эти проблемы, позволяя проводить мониторинг больших площадей земли для обнаружения и борьбы с сорняками.
Снимки, полученные с помощью дронов, позволяют получать достаточно высокое пространственное разрешение для различения растительности, часто на уровне отдельных деревьев или кустарников. Используя вычислительные алгоритмы, которые обнаруживают спектральные и структурные различия на изображениях, мы можем различать разные виды растительности. Это позволяет идентифицировать сорняки, информация о которых может быть использована для разработки мер по борьбе с этими угрозами для восстановления растительности.
До недавнего времени методы дистанционного зондирования имели ограничения, препятствовавшие мониторингу сорных растений. Эти ограничения были в значительной степени преодолены благодаря развитию технологий дистанционного зондирования, в частности, за счет миниатюризации датчиков, которые можно устанавливать на дроны.
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.
Пример из практики
В этом проекте мы используем пятидиапазонные снимки, полученные с помощью дронов (включая ближний инфракрасный и красный краевой диапазоны), для обнаружения двух значимых инвазивных растений 3-й категории (Закон о биобезопасности 2014 года): сосны Ателя (Tamarix aphylla) и кустарника паркинсонии (Parkinsonia aculeata), произрастающих на территориях, находящихся на стадии восстановления.
Мы тестируем подходы к классификации, включая объектно-ориентированный анализ изображений (OBIA) и алгоритмы машинного обучения (например, метод опорных векторов; SVM). Кроме того, мы сравниваем эффективность этих подходов для обнаружения сорняков при различном разрешении. Различное разрешение было получено путем передискретизации изображений с самым высоким разрешением (пиксели размером ~4 см с каждой стороны) в изображения с более низким разрешением (до ~27 см).
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.
Наша система как пример практического применения
Нашу систему можно представить как пример практического применения технологии обнаружения сорняков на основе ИИ в сельском хозяйстве и мониторинге окружающей среды. Согласно материалам платформы Saiwa, Sairone поддерживает 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.
Согласно информации на странице платформы, Sairone 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.
Эффекты от применения машинного зрения
Применение дронов и технологий машинного зрения для борьбы с сорняками демонстрирует значительные экономические преимущества в сельском хозяйстве. Рассмотрим основные аспекты экономической эффективности:
- Снижение затрат на гербициды: Исследования показали, что использование ИИ и дронов позволяет сократить применение гербицидов на 30%. Это приводит к существенной экономии средств. Например, экономия составляет более 880 рублей на гектар обрабатываемой площади.
- Уменьшение количества обработок: Благодаря раннему выявлению сорняков, сокращается число необходимых обработок полей. Это не только снижает затраты на химикаты, но и уменьшает негативное воздействие на окружающую среду.
- Оптимизация затрат на производство: Системы, такие как «АссистАгро», помогают выбрать оптимальную схему защиты культур, что снижает себестоимость тонны урожая. В проведенных исследованиях было выявлено снижение себестоимости на 930 рублей за тонну продукции.
- Экономия времени: Использование беспилотных летательных аппаратов (БПЛА) сокращает время на проведение обследований полей. Один оператор на дроне может обследовать до 1500-2000 гектаров за световой день, что в 4 раза быстрее по сравнению с традиционными методами.
- Точность и эффективность: Дроны с интегрированным программным обеспечением способны распознавать до 150 видов сорняков на посевах 8 основных культур. Это обеспечивает более точное картирование полей и позволяет целенаправленно бороться с нежелательной растительностью.
- Долгосрочная окупаемость: Хотя первоначальные инвестиции в технологии могут быть выше, в долгосрочной перспективе они окупаются за счет экономии на гербицидах, снижения затрат на рабочую силу и повышения общей эффективности сельскохозяйственного производства.
Таким образом, внедрение дронов и систем машинного зрения не только повышает эффективность борьбы с сорняками, но и приносит значительную экономическую выгоду за счет снижения затрат, увеличения производительности и оптимизации производственных процессов.
Примеры расчетов экономического эффекта
Для наглядности рассмотрим несколько примеров расчетов экономических эффектов от применения дронов и технологий машинного зрения в борьбе с сорняками:
Пример 1: Снижение затрат на гербициды
Предположим, что на обработку одного гектара поля требуется 1000 рублей гербицидов. Благодаря использованию дронов и ИИ, удалось сократить эту сумму на 30%.
Расчет:
- Первоначальные затраты: 1000 рублей/га
- Экономия: 1000 * 30% = 300 рублей/га
- Новые затраты: 1000 – 300 = 700 рублей/га
Экономический эффект:
- Экономия на гектар: 300 рублей
- При обработке 1000 гектаров: экономия 300 000 рублей
Пример 2: Уменьшение затрат на рабочую силу
Предположим, что ранее для обследования поля площадью 1000 гектаров требовалось 5 человек, работающих в течение 5 дней. С использованием дронов эта работа выполняется за один день.
Расчет:
- Затраты на рабочую силу (5 человек * 5 дней): 500 000 рублей
- Затраты на одного оператора дрона (за 1 день): 100 000 рублей
Экономический эффект:
- Экономия на затратах на рабочую силу: 500 000 – 100 000 = 400 000 рублей
Пример 3: Оптимизация затрат на производство
Предположим, что себестоимость тонны урожая снижена на 930 рублей благодаря более точному применению гербицидов и уменьшению количества обработок.
Расчет:
- Урожайность: 50 тонн с гектара
- Снижение себестоимости: 930 рублей/тонна
Экономический эффект:
- Снижение себестоимости на гектар: 930 * 50 = 46 500 рублей/га
- При обработке 1000 гектаров: экономия 46 500 000 рублей
Пример 4: Экономия времени и ресурсов
Предположим, что благодаря использованию дронов время на обследование поля сократилось с 5 дней до 1 дня.
Расчет:
- Стоимость топлива и техобслуживания для техники на 5 дней: 200 000 рублей
- Стоимость топлива и техобслуживания для дрона на 1 день: 50 000 рублей
Экономический эффект:
- Экономия на топливе и техобслуживании: 200 000 – 50 000 = 150 000 рублей
Эти примеры демонстрируют, как технологии могут существенно снизить затраты и повысить эффективность сельскохозяйственного производства.
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.
