מודל מרחב מצבים דו-כיווני לגילוי ראשוני חיטה קל ועמיד בסביבות חקלאיות מורכבות

מדוע ספירת ראשי חיטה מהשמיים חשובה

הזנת אוכל לעולם בעל אוכלוסייה גדלה תלויה בהערכת כמות המזון שיכולים שדותינו לייצר, ואות חשוב לכך מגיע מראשי החיטה — קודקודי הצמחים הנושאים את הגרעין. חקלאים ומרבית המגדלים ספרו אותם במשך שנים בעבודת יד כדי להעריך יבול, אך ספירה רחבת היקף בשדות גדולים היא איטית, יקרה ורגישה לשגיאות. המחקר הזה מציג מערכת ראייה ממוחשבת חדשה, Mamba-WheatNet, שמשתמשת בתמונות רחפנים כדי לזהות ולספור אוטומטית ראשי חיטה בזמן אמת, גם כאשר השדות מבולגנים, צפופים ומוארים באור שמש משתנה.

עיניים חכמות מעל שדות חקלאיים מורכבים

שדות מציאותיים רחוקים מלתת רושם של סדר. ראשי החיטה יכולים להיות מוסתרים על ידי עלים, חופפים זה את זה או מעורבים עם עשבים ושאריות קרקע, וצורתם וצבעם משתנים ככל שהם מתפתחים. שיטות קודם לכן ניסו להסתמך על תכונות פשוטות כמו צבע או מרקם, אך אלה מתקלקלים כשנורית התאורה או שלב הגידול משתנים. למידה עמוקה שיפרה את המצב על ידי כך שהיא מאפשרת לרשתות העצביות ללמוד דפוסים ישירות ממספר רב של תמונות. עם זאת, דגמים רבים קיימים עדיין מתקשים בסצנות עמוסות לעיתים דורשים כוח חישוב כבד שקשה להפעילו על רחפנים או התקנים שדה קטנים.

מודל קל שמתמקד במה שחשוב

Mamba-WheatNet תוכנן להתמודד עם אתגרים אלה בעודו נשאר קל דיו לשימוש מעשי בשדה. הוא משלב שתי רעיונות מרכזיים: שכבות קונבולוציה יעילות, שמתאימות ללכידת פרטים מקומיים, ומשפחה חדשה של מודלים הידועים כמרחבי מצב סלקטיביים, שמתאימים יותר למעקב אחרי דפוסים מרחביים ארוכי טווח. המחברים בונים חילוץ תכונות שמפרק תחילה את התמונות לדפוסים ברמות קנה מידה שונות ואז מעביר אותן דרך שלב מיזוג מיוחד שמסתכל על כל הסצנה. זה מסייע למערכת להתעלם מעומס רקע, כגון עלים חופפים או קרקע, ולתת תשומת לב גדולה יותר לצורות ולגוונים העדינים שמסמנים ראשי חיטה בודדים.

איך המודל מפענח ראשי חיטה צפופים

בתוך Mamba-WheatNet, שני בלוקים מותאמים במיוחד עושים את רוב העבודה הכבדה. האחד, הקרוי בלוק נותרי מפוצל בעומק (Residual Depthwise Separable Block), משתמש בקונבולוציות קלות שמחולקות על פני ערוצים כדי ללכוד פרטים עדינים מבלי להגדיל באופן משמעותי את חישובי המודל. השני, בלוק סריקה מרחבית דו-כיווני (Bidirectional Spatial Scanning Block), סורק מפות תכונות אופקית ואנכית, אוסף הקשר בשתי הכיוונים תוך הדגשה סלקטיבית של הערוצים המידעיים ביותר. רכיבים אלה משולבים ביחידת מיזוג גדולה יותר שממזגת רמזים מקומיים וגלובליים, מה שמקל על הפרדת ראשי חיטה שבמגע או חופפים ושמירה על דיוק כשהראשי חיטה קטנים או דחוסים בתמונות אוויריות.

בדיקת המערכת בשטח

כדי להעריך עד כמה הגישה שלהם עובדת בתנאים ריאליסטיים, החוקרים אימנו ובדקו את Mamba-WheatNet על GWHD-2021, אוסף ציבורי גדול של תמונות רחפנים של שדות חיטה המכסה זנים, תבניות שעתוק ושלבי גידול רבים. הם השוו את המערכת שלהם עם מספר גלאי עצמים מובילים, כולל דגמי YOLO העדכניים ורשתות מבוססות טרנספורמרים. Mamba-WheatNet השיגה דיוק וזיכרון גבוהים יותר וציון גילוי כולל טוב במעט תוך שימוש בכוח חישוב צנוע והרצה מהירה דיה לשימוש בזמן-קרוב-לא-אמיתי. הצוות גם בדק עד כמה המודל עובר היטב למאגר רחפנים אחר, VisDrone2019, המכיל סוגים רבים של עצמים קטנים בסצנות צפופות של עיר. שם גם המודל סיפק את הדיוק הטוב ביותר מבין הגלאים הקומפקטיים שנבדקו, מה שמראה שהעיצוב שלו מתכלל מעבר לחיטה.

מה זה אומר לחקלאות חכמה בעתיד

המחקר מסכם כי Mamba-WheatNet מציע דרך מעשית ומדויקת לספור ראשי חיטה מהאוויר, גם כאשר השדות מורכבים ויזואלית. על ידי שילוב מדוד של שכבות קלות ויעילות עם מנגנון סריקה גלובלי, המודל עוקב אחרי דפוסים עדינים מבלי להעמיס על החומרה שנמצאת בדרך כלל ברחפנים או ברובוטי שדה. עבור חקלאים, מגדלים ואגרונומים, זה יכול להוביל להערכות יבול מהירות ואמינות יותר ולניטור מצב הצמח לאורך זמן, ועוזר לקדם את החקלאות לניהול מבוסס נתונים ומדויק יותר.

ציטוט: Deng, G., Li, Z. & Gao, Z. Bidirectional state space modeling for lightweight and robust wheat head detection in complex agricultural environments. Sci Rep 16, 14895 (2026). https://doi.org/10.1038/s41598-026-45083-2

מילות מפתח: זיהוי ראש חיטה, תמונות רחפנים, למידה עמוקה, חקלאות מדויקת, גילוי עצמים