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

Clear Sky Science · he

YOLO-LSBA: מודל בעל דיוק גבוה לזיהוי גבעולים של עגבניות שרי קטנות

· חזרה לאינדקס

מדוע קטיף חכם של עגבניות חשוב

עגבניות שרי טעימות אך מפתיע שהן קשות לקטיפה אוטומטית. כורתי יד יכולים לראות היכן הגבעולים העדינים מקשרים כל פרי לגבעול ולחתוך אותם בצורה נקייה, אך רובוטים מתקשים לזהות מטרה זעירה זו הנעלמת בין עלים, ענפים ושינויי תאורה. מחקר זה מציג מודל ראייה ממוחשבת חדש שעוזר לרובוטים לזהות את הגבעולים הדקים האלה בדיוק ובמהירות, מה שהופך קטיף אוטומטי מלא של עגבניות שרי ליותר מציאותי בחוות מודרניות.

Figure 1. כיצד מצלמות ומודל קומפקטי מכווינים רובוט לקטיף עגבניות שרי על ידי מציאת הגבעולים העדינים שלהן.
Figure 1. כיצד מצלמות ומודל קומפקטי מכווינים רובוט לקטיף עגבניות שרי על ידי מציאת הגבעולים העדינים שלהן.

האתגר של זיהוי גבעולים זעירים

בחממות, אשכולות עגבניות שרי תלויים בכיוונים שונים, חופפים זה את זה וממוקמים באזורי שמש וצל בלתי אחידים. רוב מערכות הראייה הקיימות לקטיף מתמקדות בזיהוי הפרי עצמו, שהוא יחסית גדול, עגול וצבעוני. הגבעולים, לעומת זאת, דקים, חלקית מוסתרים וקלים לבלבול עם ענפים סמוכים. עם זאת, הגבעולים הם שקובעים היכן וכיצד הרובוט צריך לחתוך כדי להסיר פרי בשל ללא חבורות או קריעת הצמח. המחברים טוענים כי זיהוי גבעולים אמין הוא הקישור החסר בין זיהוי העגבניות וקטיפה ממשית באמצעות זרוע רובוטית.

בניית תמונה עשירה יותר מתוך נתונים מוגבלים

החוקרים התחילו מ‑3,000 תמונות של צמחי עגבניה מחממה בצפון סין, שצולמו בתנאי תאורה וזוויות שונות. הם תייגו כל עגבניה כבשלת, בלתי בשלה או גבעול, ואז השתמשו בטכניקות הגדלת נתונים כדי להרחיב את מאגר הנתונים יותר מאשר פי ארבעה. באמצעות החלפות אקראיות, חיתוכים, הבהרה, העמקה והוספת רעש חזותי יצרו למעלה מ‑12,000 תמונות שחוקו וריאציות מציאותיות. אוסף ועשיר זה מסייע למודל ללמוד כיצד נראים גבעולים גם כאשר הם עמומים, חלקית מוסתרים או מוקפים רקעים מבלבלים.

מודל ראייה מכויל לפרטים קטנים

בלב המחקר עומדת גרסה משופרת של גלאי בזמן אמת פופולרי הידוע כ‑YOLO. המודל החדש, שנקרא YOLO-LSBA, מכויל במיוחד למבנים קטנים ועדינים כמו גבעולי עגבניה. חלק מהשדרוג עוזר לרשת "להסתכל" על שטח רחב יותר של התמונה תוך שמירה על מעקב אחר פרטים עדינים, מה שמשפר את יכולתה להפריד גבעולים מעלים ותמיכות. חלק נוסף מארגן מחדש את אופן זרימת המידע לרוחב וגובה התמונה ובין ערוצי הצבע, חותך אותות מיותרים כך שהמודל יתמקד בדפוסים עדינים הדומים לגבעולים. רכיב שלישי משלב בקפידה תכונות בקנה מידה שונה, ומונע מהאותות החזקים של פירות גדולים לטבוע את החתימות החלשות של גבעולים דקים.

Figure 2. כיצד מודל בינה מלאכותית מבודד בהדרגה גבעולים דקים של עגבניות מתמונות עומסות כדי לסמן נקודות חיתוך מדויקות.
Figure 2. כיצד מודל בינה מלאכותית מבודד בהדרגה גבעולים דקים של עגבניות מתמונות עומסות כדי לסמן נקודות חיתוך מדויקות.

מבחן המודל בשטח

הצוות ערך ניסויים נרחבים כדי לבחון כיצד כל רכיב חדש תורם לזיהוי גבעולים. הם מצאו שהארכיטקטורה המשודרגת שיפרה משמעותית את דיוק הזיהוי של הגבעולים תוך שמירה על משקל קל מספיק למחשבים קטנים המשמשים לעתים ברובוטים חקלאיים. במבחנים סטנדרטיים, YOLO-LSBA עלה על מספר מודלי גילוי ידועים, כולל גרסאות YOLO קומפקטיות אחרות ומערכות מסורתיות כגון SSD ו‑Faster R‑CNN, במיוחד בקטגוריית הגבעול המאתגרת. לאחר מכן המחברים פרסמו את המודל על מחשב לוח Raspberry Pi ובניסויי שטח בחממה, שם עמד בקצב קלט וידאו וסימן גבעולים בדיוק גם כאשר הפרטים חופפו או שהתאורה הייתה לקויה.

מה זה אומר לרובוטים חקלאיים בעתיד

במונחים פשוטים, המחקר מצביע על כך שרובוטים יכולים להיות מאומנים "לראות" את הגבעולים השבירים של עגבניות שרי כמעט באותה אמינות כמו כורה אנושי זהיר, ולעשות זאת על חומרה צנועה. מודל YOLO-LSBA מגיע לכ‑97 אחוז דיוק בזיהוי גבעולים ועדיין פועל במהירות מספקת לשימוש בזמן אמת. זה פותח את הדרך לרובוטי קטיף היכולים לגשת לכל אשכול עגבניות, למצוא את נקודת החיתוך הבטוחה ולהסיר פירות בניקיון וברכות. אמנם המחברים מציינים שעדיין נדרשים נתוני שדה מגוונים יותר ומבחני ארוך טווח, הגישה שלהם מציעה מתווה מעשי למערכות קטיף חכמות לא רק לעגבניות אלא גם לגידולים מצולעים אחרים.

ציטוט: Liu, Q., Chen, F., Zhang, H. et al. YOLO-LSBA: A high-precision model for detecting stems of small-sized cherry tomatoes. Sci Rep 16, 15552 (2026). https://doi.org/10.1038/s41598-026-46348-6

מילות מפתח: קטיף עגבניות שרי, זיהוי גבעולי פרי, רובוטיקה חקלאית, ראייה ממוחשבת, מודל YOLO