CTRNet: דגם למידת עומק קל ויעיל לזיהוי הסליל בעלים בשדה התירס

מדוע חשוב לאתר עלה סמוי

בשדה תירס בקיץ, חלק מהחרקים המזיקים ביותר מכוונים ישר אל "הלב" של הצמח — הספירלה הצמודה של העלים בחלקו העליון, המוכרת כ"סליל" (whorl). המזיקים הללו קטנים, המטרה שלהם אף קטנה יותר, ולעתים קרובות החקלאים נאלצים לרסס שטחים נרחבים 'למען הבטחון'. מחקר זה מציג מערכת ראייה ממוחשבת חדשה, CTRNet, שנועדה למצוא באופן אמין סלילי תירס זעירים בשדות אמיתיים מבולגנים, כדי שאמצעי ניטור וריסוס יהיו מדויקים יותר ופחות מבזבזים חומרי הדברה.

האתגר של ראיית מטרה קטנה בשדה גדול

למטרות הדברת מזיקים חשוב לדעת בדיוק היכן נמצא הסליל, כי שם פרפרים ושאר זחלים מטילים ביצים ומאכילים, מה שמפחית את הפוטוסינתזה והתשואה. אך בשדות אמיתיים הסלילים קשים לגילוי: הם נראים זעירים בתמונות, לעתים מוסתרים על־ידי עלים חופפים, ומופיעים על רקע מלא עשבים, אדמה וצללים. גישות קודמות נשענו על בדיקה ויזואלית של אנשים או על טריקים פשוטים בתמונה המבוססים על צבע ומרקם. שיטות אלה עבדו רק בסצנות נקיות ומבוקרות וכשלו במהירות כאשר התאורה השתנתה, עלים כיסו זה את זה, או הופיעו בעיות מרובות בצמח בו‑זמנית.

למידת עומק נכנסת לשדה

בשנים האחרונות גלאים מבוססי למידת עומק, ובמיוחד במשפחת YOLO, שיפרו משמעותית את יכולת המחשבים לזהות עצמים בתמונות בזמן אמת. מספר ואריאנטים הותאמו לגידולים ולעלים, אך דגמים סטנדרטיים עדיין מתקשים עם מטרות קטנות מאוד כמו סלילי תירס, ועם השינויים התמידיים בתאורה ובסידור העלים בחוץ. הם לעתים מאבדים פרטים דקים כאשר התמונות נצמצמות ברשת ועלולים להסיח מחשבה מרקעים עמוסים. המחברים לכן בונים על מודל מודרני מדגם YOLO11 ומשדרגים רכיבים מפתח ברשת כדי לתפוס טוב יותר מבנים קטנים, לשתף מידע בין סקיילים שונים של התמונה ולהתעלם מתבניות רקע לא רלוונטיות.

מה מבדל את CTRNet

CTRNet (Contextual and Texture‑enhanced Representation Network) שומרת על מהירות וגודל קומפקטי של YOLO11, אך מוסיפה מספר מודולים מותאמים. מודול אחד מעודד שכבות שונות של הרשת להחליף מידע, כך שהקשר רחב והפרטים הדקים יחזקו זה את זה גם כאשר הסלילים חלקית מוסתרים. מודול נוסף מותאם לתבניות גסות, משתנות באיטיות, וגם לפרטים דקים בתדר גבוה, מה שעוזר לשמר קצוות ומרקמים שמסמנים את מרכז הסליל. שלב מיזוג מבוקר (gated fusion) משלב אותות מרמות סקאלה מרובות תוך דיכוי תכונות מיותרות או רעש. לבסוף, מנגנון תשומת לב מעצב מחדש את התכונות הנכנסות מהתמונה כך שטלאי בהירות, צללים ורקעים מורכבים ייתוקנו לפני שיובילו לבלבול של הגלאי.

בדיקת המערכת

כדי לאמן ולבחון את CTRNet, הצוות אסף מאגר של 2,816 תמונות ממקורות ציבוריים ומסקרי שדה משלהם, המכסה שלבי גידול משתילים ועד לצמח בגר. התמונות צולמו מזווית וגובה המאפיינות מצלמת רובוט חקלאי, תחת מגוון תנאי תאורה ופריסות שדה. בהשוואות ישירות מול מספר ואריאנטים של YOLO וגלאי מבוסס טרנספורמר, CTRNet השיגה את הדיוק הגבוה ביותר בזיהוי הסלילים, והעלתה ציון זיהוי סטנדרטי (mAP@0.5) מ‑81.6% ל‑84.7% תוך שימוש בפועל בפחות פרמטרים מהקו הבסיסי. השוואות ויזואליות הראו ש‑CTRNet ממקדת באופן הדוק יותר באזור הסליל האמיתי ומייצרת פחות הדגשות שגויות על עלים או אדמה מסביב, במיוחד בתנאי תאורה חלשים, תחת שמש חזקה, או בסצנות עם חסימה כבדה.

מהיר מספיק לרובוטים בין השורות

מעבר לדיוק, המחברים בדקו האם CTRNet יכולה לפעול על מחשב קצה קטן דומה לזה שרובוט שדה ישאת. על מכשיר NVIDIA Jetson Orin Nano, המודל שמר על קצבי פריימים בזמן אמת, במיוחד בשילוב עם מנוע אינפרנס מותאם ואריתמטיקה בחצי דיוק. משמעות הדבר היא ש‑CTRNet יכולה באופן ריאלי להנחות מרססים או רובוטים סוקרים שצריכים להגיב במהירות כשהם נעים בין שורות הגידול, במקום להסתמך על ניתוח איטי לא מקוון.

מה זה אומר עבור הדברת מזיקים חכמה יותר

במילים פשוטות, CTRNet מעניקה למכונות "עיניים" חדות יותר עבור חלק קטן אך חשוב בצמח התירס. על‑ידי איתור מהימן של הסלילים על אף צללים, סינוור ומבול של עלים, היא מאפשרת ניטור מדויק יותר של נזקי מזיקים ויישום מדויק יותר של חומרי הדברה. העבודה מראה כי דגמי למידת עומק קלים ומתוכננים בקפידה יכולים לא רק להשוות אלא גם לעקוף מערכות כבדות במהירות ובדיוק, ובכך לפתוח את הדרך לכלים חכמים וחוסכי משאבים להגנת צמחים, ואולי מערכות דומות לגידולים ומחלות אחרות.

ציטוט: Tian, X., Zhang, J. & Li, Y. CTRNet: a lightweight and efficient deep learning model for field maize whorl identification. Sci Rep 16, 10570 (2026). https://doi.org/10.1038/s41598-026-45727-3

מילות מפתח: זיהוי מזיקים בתירס, ראייה ממוחשבת בחקלאות, חקלאות מדויקת, למידת עומק קלת משקל, רובוטיקה שדה