סגמנטציה אוטומטית של עשבים עם תיוג מבוסס ידע ליישומי למידת מכונה

מדוע שליטה חכמה יותר בעשבים חשובה

עשבים שוטים גוזלים בשקט חלק ניכר ממזון העולם. הם מצטופפים על הגידולים, מפחיתים יבולים ודוחפים את החקלאים לרסס יותר חומרי הדברה — דבר יקר לכיס ולסביבה. המחקר הזה מדגים כיצד רחפנים וניתוח תמונה חכם יכולים למפות עשבים בשדות חיטה באופן אוטומטי — מבלי שצריך לתייג צמחים ביד בקושי רב. אוטומציה כזו עשויה להאיץ את הכלים הדרושים לריסוס מדויק יותר, להפחית שימוש בחומרים כימיים ולשמור על יבולים גבוהים.

ממריחה כללית לדיוק מיקום

בעולם, שדות ללא בקרה אפקטיבית של עשבים עלולים לאבד בין חמישית ועד כמעט כל היבול הפוטנציאלי שלהם. באזורים כמו פרובינציות הפרריה בקנדה, עלויות חומרי ההדברה כבר מגיעות למאות מיליוני דולרים בשנה, ועשבים עמידים מתפשטים. כלים של "חקלאות מדויקת" שואפים לרסס רק שם שבהן באמת יש עשבים, במקום לטפל בכל השדה באופן אחיד. כדי לעשות זאת, מכונות צריכות תחילה מפות עשבים מדויקות, וגישות מודרניות נשענות על מודלי למידת מכונה שבודקים כל פיקסל בתמונה. המחסום הוא שמודלים אלה דורשים מערכי אימון עצומים ומתויגים בקפידה — בדרך כלל על ידי בני אדם המשרטטים קווי מתאר סביב עשבים, תמונה אחר תמונה. במחקר הזה נשאלה השאלה: האם נוכל לדלג לחלוטין על שלב התיוג הידני?

מבט רחפן על חיטה ועשבים

החוקרים עבדו בשדה חיטה ניסיוני בן 2,000 מטרים רבועים ליד ססקאטון, קנדה. החיטה נזרעה בשורות ישרות, ורצועות של מספר מיני עשבים — כולל קוצ'יה, שיבולת-שועל בר, חרדל בר ופרעושן מדומה — נזרעו בין שורות הגידול בכוונה. רחפן מצויד במצלמת RGB ברזולוציה גבוהה טס בגובה 10 מטר מעל הקרקע וצילם תמונות כל כך מפורטות שכל פיקסל ייצג פחות ממילימטר על משטח השדה. התמונות הוזגו לאורתופוטו יחיד, בעצם תמונה מדויקת בדומה למפה של השדה, שהפכה לקלט עבור מהלך עבודה ממוחשב אוטומטי.

הפיכת צבע וצורה לתוויות אוטומטיות

במקום לאמן מודל למידה עמוקה על אלפי דוגמאות מתויגות ידנית, הצוות בנה צינור מבוסס-ידע בתוך תוכנת ניתוח תמונה ייעודית. ראשית, הם שיפרו את התמונה באמצעות נוסחאות צבע פשוטות שמדגישות צמחים ירוקים מול אדמת חום. אינדקסים כמו אינדקס ירוק עודף (Excess Green Index) ואינדקס צבעי הצומח שולבו כדי להפריד בצורה נקייה צמחייה מקרקע חשופה. לאחר מכן המערכת חיפשה תכונות ארוכות, דקות ודמויות-קו שמתאימות לצורת העלים ושורות החיטה. על ידי סריקה של התמונה בזוויות רבות והחלת פילטרי קונבולוציה — חלונות מתמטיים נגללים שמדגישים מבנים חוזרים — מהלך העבודה יכול לזהות היכן שוכנים שורות הגידול, ובניגוד לכך היכן סביר שיעמוד עשב בין השורות או בתוכן.

מפיקסלים למפות עשבים בלי שרבוט ידני

לאחר שנקבעו שורות הגידול ואזורים מכוסים צמחייה, התוכנה יישמה סינון סף אוטומטי כדי למיין כל פיקסל לאחת משלוש קטגוריות: גידול, עשב או אדמה חשופה. סגמנטציה בסגנון לוח שחמט וחישובי מרחק מהשורה סייעו לחדד את ההחלטות, במיוחד בנקודות מורכבות שבהן חופות צפופות של גידול ועשב חופפות. החשוב הוא שכל השלבים הללו פעלו על פי סט קבוע של כללים — מבוססי ידע אגרונומי על איך חיטה ועשבים נראים והיכן הם גדלים — ללא שימוש בדוגמאות אימון מתויגות ידנית. התמונה עובדה בחלוקות אריחים קטנים ליעילות, ואז הורכבה מחדש למפה ממוסגרת וממוספת אחת של כל השדה.

כמה מדויק מיפוי העשבים ללא אימון?

כדי לבחון את השיטה, הצוות השווה את המפה האוטומטית לנקודות בדיקה אקראיות רבות בתמונות השדה וכן לאומדנים אנושיים של כיסוי וספירות עשבים. בסך הכל, מהלך העבודה תייג נכון 87% מהנקודות, ומדד סטטיסטי של הסכמה הידוע כקאפא (kappa) עמד על 0.81 — נחשב לחזק. גילויין העשבים ספציפית הציג דיוק משתמש של 76%, כשהרוב המכריע של השגיאות התרחש באזורי חפיפה בצפיפות בין חופת הגידול והעשבים. עם זאת, כיסוי וספירות העשב האוטומטיים עקבו מקרוב אחר דירוגי השדה וההערכות הוויזואליות האנושיות, בקשרים חזקים מספיק כדי לתת ביטחון שהמערכת לוכדת דפוסים ביולוגיים ממשיים ולא רק רעש תמונתי.

מה המשמעות לחוות העתיד

העבודה מראה שניתן לייצר מפות עשבים באיכות גבוהה מתמונות רחפן באמצעות חוקים מומחים במקום מערכי אימון מתויגים ידנית. על מחשב שולחני סטנדרטי, עיבוד השדה בן 2,000 המטרים הרובע הושלם בכ־20 דקות. המפות המתויגות שהתוצר יכול לתמוך ישירות במשימות כמו הערכת ביצועי דשנים וחומרי הדברה, הנחיית מרססים בשיעור משתנה, או הזנת מודלים מתקדמים של למידת מכונה ולמידה עמוקה בנתוני אימון מוכנים. לחקלאים ולחוקרים כאחד, תיוג אוטומטי כזה מציע דרך למהירות, לחיסכון ולניהול עשבים בר-קיימא יותר, ומקרב את החקלאות המדויקת לפרקטיקה היומיומית.

ציטוט: Ha, T., Aldridge, K., Johnson, E. et al. Automated weed segmentation with knowledge based labeling for machine learning applications. Sci Rep 16, 6220 (2026). https://doi.org/10.1038/s41598-026-37475-1

מילות מפתח: חקלאות מדויקת, מיפוי עשבים שוטים, תמונות ממטוס ללא טייס, תיוג אוטומטי, ניטור גידולים