גרסה משופרת של YOLO12 עם סינון פירמידת מרחב לזיהוי חרקים בכותנה בזמן אמת

למה חשוב לזהות חרקים זעירים

כותנה עשויה להיראות כצמח פשוט, אבל תפקידה העולמי עצום: היא מלבישה מיליארדי אנשים, תומכת במיליוני מקומות עבודה ומזינה תעשיות שמייצרות כל דבר משמן בישול ועד קוסמטיקה. יחד עם זאת, שדות כותנה שלמים יכולים להיחלש בשקט על ידי חרקים שגודלם לא עולה על גרגר אורז. חקלאים פעמים רבות מסתמכים על סיורים תכופים בשדה ושימוש נרחב בחומרי הדברה כדי לשלוט במזיקים — שיטות שגוזלות זמן, יקרות ופוגעות בסביבה. המחקר בוחן כיצד צורת בינה מלאכותית חדשה יכולה לעקוב בזמן אמת אחרי שדות כותנה, ולזהות אוטומטית חרקים מזיקים על עלים כך שהטיפולים יהיו ממוקדים יותר ופחות מבוזבזים.

מבדיקה ידנית למצלמות חכמות

כיום, רבים מהחקלאים או עובדי השדה עדיין מטיילים בין שורות הכותנה ובודקים בעין את העלים והפרחים לחיפוש מזיקים. גישה זו מוגבלת על ידי עייפות אנושית, כיסוי לא אחיד ותנאי תאורה ומזג אוויר משתנים. חומרי הדברה רחבי־טווח, שמצולמים לעתים לפי לוח זמנים במקום לפי צורך ממשי, יכולים להרוג חרקים מועילים, לזהם קרקע ומים ולהעלות את עלות הייצור. המחברים טוענים שגישה ברת־קיימא יותר היא לאפשר למחשבים "לראות" את החרקים ישירות בתמונות השדה, ולהעניק לחקלאים מערכת אזעקה אוטומטית שתמקד את ההדברה דווקא במקומות שבהם יש מזיקים.

ללמד מחשבים לזהות חרקים זעירים

כדי לבנות מערכת כזו, החוקרים פנו ללמידה עמוקה — תחום בבינה מלאכותית שמתמחה בזיהוי דפוסים בתמונות. הם השתמשו במשפחה של מודלים הקרויה YOLO ("You Only Look Once"), שיכולה לסרוק תמונה ולצייר גבולות סביב עצמים במהלך חלקיק שניות. מתוך מודל YOLO12 העדכני ביותר, הם הרכיבו גרסה משופרת המותאמת למזיקים בכותנה. תחילה ארגנו ושיפרו מאגר פתוח באיכות גבוהה של 3,225 תמונות משדות כותנה אמיתיים, המכסה 13 סוגי חרקים נפוצים כגון פרת־הים, בזוקנים ותולעי כדור. הם המירו את התוויות המקוריות לפורמט סטנדרטי שהמודל יכול לקרוא ואיזנו בקפידה את מספר התמונות לכל סוג חרק כדי שה-AI לא יתעקל לטובת המינים הנפוצים ביותר.

להבליט חרקים קטנים

זיהוי חרקים על עלים קשה הרבה יותר מאיתור עצמים גדולים כמו מכוניות או אנשים. החרקים זעירים, לעתים מסוות ויכולים להופיע בקנה מידה וזוויות שונות. כדי להתמודד עם זאת, הצוות שיפר את ארכיטקטורת YOLO12 בכמה אופנים. הם הוסיפו מודולים מיוחדים שעוזרים למודל לתפוס פרטים דקים תוך שמירה על הבנת הסצנה כולה. מודול "סינון פירמידת מרחב" (spatial pyramid pooling) מאפשר לרשת להסתכל על אותו אזור במרכיבי קנה מידה שונים בו־זמנית, דבר קריטי לזיהוי הן של חרקים זעירים והן של חרקים מעט גדולים יותר בתמונה אחת. מנגנון קשב לאחר מכן מסייע למודל להדגיש את החלקים המידעיים ביותר בתמונה — צורות, צבעים ומרקמים עדינים שמבדילים בין חרקים — תוך התעלמות מהעמוס ברקע.

מבחני המודלים

המחברים לא רק הציעו מודל יחיד; הם בנו והשוו בין שישה עיצובים שונים מבוססי YOLO, כולל YOLO11 ו‑YOLO12 הסטנדרטיים וכמה וריאנטים מותאמים. כל המודלים אומנו ונבחנו על אותו מאגר נתוני חרקי כותנה כדי להבטיח השוואה הוגנת. המודל הבולט, שנקרא Enhanced Hybrid YOLO12, השיג ציונים גבוהים מאוד במדדי איכות זיהוי סטנדרטיים, ושילב בין התדירות שבה הוא מוצא חרקים באופן נכון לבין הדיוק בציור תיבות הגבול שלהם. לעומת YOLO12 המקורי, הוא שיפר הן את איכות הזיהוי הכוללת והן את העקביות בתנאי בדיקה רבים, וזאת תוך שמירה על מהירות מספקת לשימוש בזמן אמת על חומרת גרפיקה מודרנית. אף שהמודל המשופר דורש מעט יותר חישוב, המחברים מראים שהשיפור באמינות בעל חשיבות מיוחדת בעשייה חקלאית אמתית.

ממשמעות הדבר לחקלאים ולסביבה

במילים פשוטות, המחקר מראה שמצלמה בשילוב מודל AI מאומן יכולה לפעול כסייר דיגיטלי עייף־כלל, הסורק עלי כותנה מחפש מזיקים יום ולילה. מכיוון שמערכת Enhanced Hybrid YOLO12 טובה יותר בהימנעות מאזהרות שווא מאשר גרסאות מוקדמות, היא יכולה לסייע לחקלאים לרסס רק היכן וכאשר המזיקים אכן נוכחים, להפחית שימוש בכימיקליים, לחסוך כסף ולהפחית נזק למינים מועילים ולמערכות אקולוגיות סמוכות. בעוד נדרשת עבודה נוספת כדי להריץ את המודל על התקנים זולים יותר ולהרחיבו למינים ואזורים חקלאיים נוספים, המחקר מצביע על עתיד שבו חקלאות מדויקת תהפוך את מניעת מזיקים מעשיה לנוהל מונחה‑נתונים במקום לניחוש.

ציטוט: Saif, D., Askr, H., Sarhan, A.M. et al. Enhanced YOLO12 with spatial pyramid pooling for real-time cotton insect detection. Sci Rep 16, 4806 (2026). https://doi.org/10.1038/s41598-026-35747-4

מילות מפתח: מזיקים בכותנה, חקלאות מדויקת, למידה עמוקה, זיהוי עצמים, חקלאות בת קיימא