BaleUAVision: مجموعة بيانات مُلتقطة بالطائرات المُسيَّرة لكرات التبن

لماذا يهم عد كرات التبن من السماء

قد تبدو كرات التبن مجرد لفافات من العشب المجفف، لكن معرفة العدد الدقيق لها في الحقل ومواقعها له قيمة مالية حقيقية للمزارعين. فحصدات دقيقة توجه كمية العلف المتاحة للحيوانات، وعدد الشاحنات المطلوبة، ومدة عمل فرق الحصاد. يقدم هذا المقال BaleUAVision، مجموعة بيانات مفتوحة جديدة مبنية على صور طائرات مُسيَّرة تسهل اكتشاف وعد كرات التبن آلياً من الجو، مما يساعد على دفع الزراعة نحو إدارة أكثر ذكاء وكفاءة.

المزارع مرئية من الأعلى

BaleUAVision مبنية على 2,599 صورة ملونة حادة التقطتها طائرات مُسيَّرة تحلّق فوق 16 حقل تبن في شمال اليونان. تغطي الحقول نحو 232 فداناً وتمتد عبر منطقتين مختلفتين من المناظر الطبيعية: سهول واسعة حول زانثي وأراضٍ أكثر تنوعاً قرب دراما. جرت الرحلات في صيف 2023 تحت سماء صافية ورياح خفيفة، على ارتفاعات بين 50 و100 متر وبسرعات متوسطة. النتيجة لقطة واقعية لحقول ما بعد الحصاد، حيث تتناثر الكرات بنقوش تعكس ممارسات الزراعة المحلية والتضاريس بدلاً من إعداد مخبري.

تحويل الصور إلى بيانات قابلة للاستخدام

جمع الصور هو الخطوة الأولى فقط. عالج الفريق جميع الصور بعناية، مستبعداً تلك المشوشة أو ذات المشكلات الأخرى، ثم ركبها معاً إلى خرائط علوية مفصّلة تُسمى أورثوموزايكس لكل حقل. استُخدمت هذه الفسيفساء لعد كل كرة يدوياً كمرجع موثوق. في الوقت نفسه، تم تتبع كل كرة تبن يدوياً على الصور الأصلية على شكل محيط دقيق، وليس مجرد صندوق تقريبي. هذا العمل الدقيق أنشأ بيانات "الحقيقة الأرضية" عالية الجودة بعدة تنسيقات شائعة، بحيث يمكن تدريب واختبار العديد من أدوات الذكاء الاصطناعي دون عمل تحويلات إضافية.

تنوع في الرحلات، وقوة في النماذج

طريقة تحليق الطائرة — الارتفاع، السرعة، ومدى تداخل الصور — تشكّل ما تراه. يغيّر BaleUAVision إعدادات الطيران عمدًا حتى لا تنهار أنظمة الكشف المتدربة عليه عندما تتغير الظروف. الالتقاط من ارتفاعات منخفضة يوفر تفاصيل أكثر لكن يغطي أرضاً أقل في كل إطار؛ والارتفاعات العالية ترى مساحات أكبر لكن تجعل الكرات تبدو أصغر. من خلال تضمين صور بارتفاعات مختلفة وفي ظروف إضاءة متباينة عبر منطقتين، تلتقط مجموعة البيانات التنوع الجغرافي وأنواع تغيّرات مقياس الكاميرا التي تواجهها العمليات الحقيقية. تُظهر الاختبارات أن هذا التنوع يساعد نماذج الذكاء الاصطناعي على التعرف على الكرات حتى عند تصويرها في أماكن جديدة أو من ارتفاعات مختلفة.

وضع مجموعة البيانات على المحك

للتحقق من فائدة BaleUAVision فعلياً، درّب المؤلفون نظام كشف شائع يعرف بـ YOLOv11 للعثور على كرات التبن في الصور. ثم اختبروا النموذج بطريقتين: بطلب اكتشاف الكرات في حقول من منطقة مختلفة عما رآه أثناء التدريب، وبعن طريق تغيير ارتفاع الطيران بين التدريب والاختبار. عند التدريب على مجموعة البيانات، اكتشف النظام تقريباً كل الكرات في الحقول الجديدة مع عدد قليل جداً من الإنذارات الكاذبة. كما تعامل بشكل جيد مع ارتفاعات طيران أعلى عندما كان قد رأى ارتفاعات أدنى أثناء التدريب. مع ذلك، واجه نموذج مدرّب حصرياً على صور من ارتفاعات عالية صعوبة مع اللقطات القريبة حتى أضاف الباحثون عدداً صغيراً من أمثلة الارتفاعات المنخفضة، مما يبيّن كيف أن بيانات إضافية متواضعة لكن مختارة جيداً يمكن أن تعزز الموثوقية كثيراً.

ما بعد الذكاء العام، نحو أدوات جاهزة للحقل

قارن الفريق أيضاً نموذجهم المتخصص المدرب على الكرات مع أنظمة رؤية عامة كبيرة مصممة لـ "فصل أي شيء" في الصورة. على الرغم من أن هذه النماذج الأساسية قوية في كثير من البيئات، إلا أنها أدت أداءً أسوأ بشكل ملحوظ على كرات التبن الصغيرة والمتراصة ضد خلفيات الحقل المزدحمة. كان النموذج المخصص المدرب على BaleUAVision ليس أدق فحسب، بل وأكثر عملية أيضاً للتشغيل على طائرات مُسيَّرة فعلية وأجهزة كمبيوتر المزارع. يبرز هذا كيف أن بيانات مخصّصة ومصمّمة بعناية للميدان يمكن أن تحوّل التقدّم العام في الذكاء الاصطناعي إلى أدوات تعمل حقاً بمقياس المزرعة.

من عد أفضل إلى زراعة أذكى

بعبارات بسيطة، توفر BaleUAVision للباحثين والشركات مجموعة غنية ومجانية من صور الطائرات المُسيَّرة ومحاطات الكرات لبناء واختبار روبوتات وبرامج عد الكرات. بواسطتها يمكنهم إنشاء أدوات تخبر المزارعين بسرعة وبدقة كم عدد الكرات، أين تقع، وكيفية جمعها بأفضل طريقة — مما يوفر الوقود والوقت والعمالة. يمكن أن تدعم نفس البيانات أيضاً دراسات عن حالة الحقول، تخطيط اللوجستيات، وحتى روبوتات المزارع المستقبلية. من خلال إتاحة مجموعة البيانات هذه للعامة، يضع المؤلفون أساساً لتحويل كرات التبن البسيطة إلى بوابة نحو زراعة أكثر دقة واعتماداً على البيانات.

الاستشهاد: Karatzinis, G.D., Gkelios, S. & Kapoutsis, A.C. BaleUAVision: Hay Bales UAV Captured Dataset. Sci Data 13, 313 (2026). https://doi.org/10.1038/s41597-026-06622-8

الكلمات المفتاحية: الزراعة الدقيقة, صور من الطائرات المُسيَّرة, كشف كرات التبن, رؤية حاسوبية, مجموعة بيانات الاستشعار عن بُعد