Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

שיטה חדשה לספירת עלים בצמחי טבק בשדה המבוססת על תצלומי רחפן ו-PointNext משופר

· חזרה לאינדקס

מדוע ספירת עלים מהשמיים חשובה

לדעת כמה עלים יש בצמח עשוי להישמע פרט קטן, אך עבור מגדלי טבק זו חלון ישיר למצב הבריאותי של הצמח ולתפוקה עתידית. כיום עובדים עדיין הולכים בשדות וסופרים עלים ביד, משימה איטית ומעייפת ויקרה שאינה ניתנת להרחבה לשטחים מודרניים. המחקר הזה מראה כיצד רחפנים, הדמיה תלת־ממדית ובינה מלאכותית משתלבים כדי לספור אוטומטית עלים בצמחי טבק הגדלים בשדות אמיתיים, ומספקים דרך מהירה ומדויקת יותר להנחות שימוש בדשן, לחזות קציר ולתמוך בריבוי זנים משופרים.

מטיוסי רחפנים לתצפית תלת־ממדית על השדה

המבקשים פנו תחילה לרחפנים כמצלמות מעופפות. הם הטיסו מסוקון מסחרי מעל שדות טבק ביוון (יונאן), סין, וצילמו תמונות ברזולוציה גבוהה ממספר גבהים ובזוויות חדה מסביב למקטעים המעניינים. באמצעות תוכנת פוטוגרמטריה התמונות החופפות תפרו למודלים תלת־ממדיים מפורטים של הצמחים. כל צמח הוצא לאחר מכן כענן נקודות נפרד במרחב תלת־ממדי, כאשר כל נקודה מייצגת פיסה זעירה בגזע, בעלה או במטרד סביבתי כגון קרקע וצמחיה שכנה. שלב זה הופך תמונות שטוחות לתיאור תלת־ממדי עשיר היכול לחשוף עלים גם כאשר הם חופפים בתצלומים רגילים.

Figure 1
Figure 1.

להדריך מחשב לזהות עלים בודדים

כדי לנצל את ענני הנקודות התלת־ממדיים, הצוות בנה מאגר נתונים גדול ומסומן בקפידה. הם אספו 1,000 מודלים של צמחים בודדים וסימנו ידנית כל נקודה כשייכת לעלים המטרה, לגזעים, לצמחים אחרים או לרעש. עם חומר אימון זה הם מיצרו רשת למידה עמוקה תלת־ממדית מודרנית בשם PointNext לגרסה חדשה המותאמת לגידולי שדה, שכונו SRW-PointNext. הושמו שלושה שדרוגים מרכזיים: מודול קשב המסייע לרשת להתמקד בתבניות המרחביות והצבעיות המידע־רבות ביותר; פונקציית הפסד מתוקנת שמונעת ממספר רב של נקודות עלים לטשטש מעמדן של קטגוריות נדירות יותר כמו גזעים ורקע; וראש פלט מחוזק המשפר שחזור פרטים עדינים כאשר חלקים מענן הנקודות חסרים או לא אחידים.

מהפיכת עננים מסווגים לספירת עלים

לאחר ש-SRW-PointNext למד לתייג כל נקודה תלת־ממדית, המודל יכול היה להפריד את ענן הנקודות של צמח בודד לחלקי עלה ולא־עלה. אך המדענים עדיין נזקקו לדעת כמה עלים אמיתיים יש בפועל. לשם כך הם השתמשו בגישה מבוססת אשכולות שנקראת MeanShift. בפשטות, האלגוריתם מחפש כיסים צפופים של נקודות עלה בתלת־ממד, כאשר כל כיס צפוף מייצג עלה אחד. בחירת פרמטר ה"רוחב" (bandwidth) קובעת עד כמה האלגוריתם קיבוץ הנקודות באופן הדוק או מרופף. ערך קטן מדי יגרום לעלה להתפצל לאשכולות מלאכותיים ויעלה את הספירה; ערך גדול מדי ימזג עלים סמוכים וירד את הספירה. על ידי כיול זהיר של פרמטר זה יכלו החוקרים לקבץ את נקודות העלה המסווגות לעלים אינדיבידואליים וריאליסטיים.

Figure 2
Figure 2.

כמה טוב השיטה עבדה

לבדיקת הדיוק השוו הצוות את הספירות האוטומטיות לספירות ידניות מדוקדקות עבור 230 צמחים בשדה. הפייפליין שלהם — תצפית רחפן, שיחזור תלת־ממדי, סגמנטציה ב-SRW-PointNext ואז קיבוץ MeanShift — הגיע לדיוק בספירת עלים של כ-92.6 אחוז. הרשת המשופרת גם השיגה סגמנטציה איכותית: דיוק של כ-92 אחוז וממוצע intersection-over-union של 76 אחוז, תוך עקיפה של מספר שיטות פופולריות לעיבוד ענני נקודות תלת־ממדיים כגון PointNet, PointNet++, RandLA-Net ו-PointNext המקורי. חשוב לציין שהעלייה בדיוק לוותה רק בעלייה מתונה בעלות חישובית, מה שמרמז שהשיטה מעשית לסקרים בקנה מידה גדול.

מה משמעות הדבר לחקלאות העתידית

ללא־מומחה, המסר המרכזי פשוט: על ידי שילוב רחפנים, דוגמנות תלת־ממדית ומודל בינה מלאכותית משופר, החוקרים יכולים כעת לספור עלי טבק בשדות אמיתיים כמעט באותה אמינות כפי שאנשים עושים זאת, אך הרבה מהר יותר ועל שטחים הרבה יותר גדולים. זה מעביר את ספירת העלים ממחברות ורגליים על הקרקע לתהליך אוטומטי ועשיר בנתונים שניתן להזין למערכות ניהול גידולים דיגיטליות. לעת עתה העבודה מתמקדת בטבק בשלב גדילה אחד ותלויה בשיחזורים תלת־ממדיים איכותיים, אך אותה אסטרטגיה עשויה להיות מיישמת גם לגידולים ועונות אחרות. עם הזמן כלים כאלה עשויים להפוך לעזרים שגרתיים לחקלאים, לסייע במעקב אחרי גדילה, לכוונן קלטים ולבחור זנים בעלי ביצועים טובים יותר עם מאמץ ידני מועט בהרבה.

ציטוט: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

מילות מפתח: פנוטיפינג טבק, חקלאות רחפנים, ענני נקודות תלת־ממדיים, ספירת עלים, למידה עמוקה בחקלאות