שילוב המרת Gaussian-Haar משפר את DEIM לזיהוי בשלות רימונים

יבולים חכמים לעולם שצומח

לדעת בדיוק מתי הפרי מוכן לקצירה היא אחת ההחלטות החשובות — ובו בזמן הקשות — ביותר בחקלאות. מחקר זה מתמודד עם הבעיה עבור רימונים, גידול בעל חשיבות כלכלית ותזונתית גוברת. במקום להסתמך על עין אנושית או בדיקות מעבדה איטיות, המחברים מציגים מערכת בינה מלאכותית קומפקטית שיכולה לבחון תמונות רגילות שצולמו בשדות ולשפוט את שלב ההתפתחות של כל רימון, מניצנים זעירים ועד פרי בשל בוגר. המטרה היא להפוך קציר אוטומטי, חיזוי תפוקה וניהול מטעים למהירים, מדויקים ומעשיים גם על מכשירים בעלי צריכת חשמל נמוכה.

מדוע קשה לראות את צמיחת הרימון

במטעים אמיתיים, זיהוי רימונים אינו פשוט כפי שנדמה. בעונה המוקדמת, פירות ירוקים קטנים כמעט נעלמים על רקע עלים ירוקים צפופים, ומה שמביך שיטות רבות של ראייה ממוחשבת שהתבססו בעיקר על צבע. בהמשך, פירות בהבשלה עשויים להיות חלקית מוסווים על ידי עלווה או מוצלים בעוצמה על ידי תאורה לא אחידה, מה שגורם לאלגוריתמים למקם תיבות זיהוי במקום שגוי או לפספס פרי לחלוטין. רוב המערכות הקודמות גם התמקדו בפרי אחרי הקטיף או בנקודה בודדת במחזור הצמיחה, מה שמגביל את השימושיות עבור תכנון השקיה, דישון ובקרת מזיקים לאורך העונה. בנוסף, מודלים מדויקים מאוד לעתים קרובות גדולים בצורתם וזקוקים למשאבים רבים, ולכן אינם מתאימים למחשבים הקטנים של רוב הרובוטים השדות והמכשירים בקצה.

ללמד מצלמה לראות מעבר לצבע

כדי להתגבר על המכשולים האלה, החוקרים בנו מערכת זיהוי חדשה שהם קוראים לה GLMF-DEIM. ראשית הם הרכיבו מאגר נתונים מיוחד שכלל 5,855 תמונות איכותיות ממטעים בשנדונג, סין, שצולמו מאפריל עד אוקטובר בתנאי תאורה ומזג אוויר מגוונים. מומחים תייגו 11,482 ניצנים, פרחים ופירות רימונים בודדים, וחילקו אותם לחמש דרגות גדילה ושלוש טווחי גודל. אוסף עשיר זה מאפשר למודל ללמוד איך רימונים נראים בכל שלב ההתפתחות, מניצנים קטנים וסגורים עד פירות גדולים ובוהקים, ואיך הם מופיעים בזמנים שונים של היום ובדרגות כיסוי עלים שונות.

להסתכל על מרקם ופרטים, לא רק על צבע

הליבה של GLMF-DEIM היא סדרת תחבולות מחושבות שמסייעות למחשב להבחין בין פרי לעלווה ולשים לב לתכונות דקות מבלי לבזבז חישובים. מודול קידמי משתמש בפעולה מתמטית הדומה לפירוק צליל לתווים נמוכים וגבוהים: הוא מפצל את התמונה לאזורים חלקים ולקצוות חדים, לאחר שמתחילים בעדינות בהחלקת רעשי רקע זעירים. מאחר שעור הרימון יחסית חלק בעוד שהעלים יוצרים רקע טקסטורלי ותוסס, התצוגה המבוססת תדירויות הזו מקלה על ההבחנה ביניהם גם כשהם חולקים את אותו גוון ירוק. מודולים קלים נוספים מתאימים את אופן הקטנת התמונה כך שפרטי פני השטח החשובים לקביעת בשלות יישמרו, והם לומדים לשים תשומת לב מיוחדת למידע המתפרש על סולמות מרחביים שונים — מניצנים קטנים ועד פירות בוגרים.

לזהות כל פרי, קטן כגדול

מעבר לזיהוי מרקמים בודדים, המערכת צריכה להתמודד עם פירות בגדלים רבים המפוזרים בסצנה. לשם כך עיצבו המחברים רשת מיזוג תכונות שבונה מעין פירמידת ייצוגי תמונה. ברמות הגבוהות המודל קולט צורות רחבות; ברמות הנמוכות הוא שומר על קצוות ודפוסים עדינים. המידע זורם כלפי מעלה ומטה בפירמידה כך שכל שכבת זיהוי מבינה גם את ההקשר וגם את הפרטים המקומיים. ראש הזיהוי משתמש בארכיטקטורת "טרנספורמר" מודרנית — דרך למידול יחסים בין נקודות רבות בתמונה בבת אחת — בצירוף אסטרטגיית אימון משופרת שמזינה דוגמאות צפופות ומגוונות ופונקציית איבוד שמענישה גם טעויות בטוחות מדי וגם ניחושים חסרי ביטחון. יחד הבחירות האלה עוזרות למערכת להתכנס במהירות ולהישאר חזקה בסצנות קשות עם פירות חופפים ורקעים עמוסים.

דיוק גבוה יותר עם פחות כוח חישוב

במבחני צד-בצד מול שיטות מובילות לזיהוי עצמים, הגישה החדשה עולה על כולם. היא מזהה רימונים בשלים בדיוק של כ־93 אחוזים בהגדרת הערכה סטנדרטית ושומרת על ביצועים חזקים גם תחת כללי דירוג מחמירים יותר. יש בה שיפורים בולטים במיוחד לגבי מטרות קטנות וקשות לגילוי, תוך שהיא ממשיכה להצטיין גם בפירות גדולים. במקביל היא צורכת הרבה פחות חישובים ופרמטרים ממודלים כבדים, מה שהופך אותה מתאימה לפריסה על רובוטים שדות, רחפנים או תחנות ניטור בעלות נמוכה. במלים פשוטות: מכשיר מצולם יכול לשוטט במטע רימונים, לעקוב באופן אמין אחרי התקדמות הפרי בכל עץ ולעזור לחקלאים להחליט מתי והיכן לקצור או לפעול — וכל זאת בלי צורך בסופרמחשב באורווה.

ציטוט: Wang, Y., Liu, S., Hao, P. et al. Gaussian-Haar transform fusion enhances DEIM for pomegranate maturity detection. Sci Rep 16, 8246 (2026). https://doi.org/10.1038/s41598-026-39620-2

מילות מפתח: זיהוי רימונים, בשלות פרי, חקלאות חכמה, ראייה ממוחשבת, מודלים של למידת עמוקה