לקראת מערכות ניהול עשבים אוטונומיות במטעי קנה סוכר והערכת מוכנות טכנולוגית

מלחמה בעשבים בלי לטבוע שדות בכימיקלים

עשבים הם האורחים הלא רצויים של החקלאות, גוזלים מים, אור וחומרי תזונה מהגידולים. בקנה סוכר, גידול מרכזי לייצור סוכר וביואנרגיה, הפולשים הללו עלולים לצמצם את התפוקה עד שליש ולדחוף את החקלאים לרסס כמויות גדולות של חומרי הדברה על כל השדה. המאמר בוחן האם בינה מלאכותית מודרנית יכולה לתת לטרקטורים "עיניים" — מצלמות חכמות שמזהות בזמן אמת עשבים הגדלים בין קני הקנה — כך שכימיקלים ירססו רק там שבהם הם אכן נדרשים.

למה שדות קנה סוכר מסובכים במיוחד

מערכות בינה מלאכותית חדשות כבר יודעות להבדיל בין גידולים לעשבים כאשר הצמחים בולטים על רקע קרקע חשופה או כאשר התמונות צולמו ממעוף הציפור. אבל שדות קנה מציבים חידה קשה יותר. קנה סוכר הוא דשא רב-שנתי גבוה; עליו וגבעוליו דומים במראה להרבה עשבי דשא, ושניהם גדלים כמשטח צפוף ומסורבל של ירוק. במקום סצנות פשוטות של ירוק על חום, המצלמה רואה ירוק על ירוק, עם עלים מחליקים זה מעל זה, אור משתנה, אבק, בוץ וגשם. מחקרים קודמים השתמשו בעיקר בתמונות מדמויות רחפן או במגרשים ניסיוניים מסודרים שבהם העשבים מבחינים בקלות מהגידול. הכותבים טוענים שזה לא משקף את המציאות המבולגנת שהחקלאים מתמודדים איתה ושנדרש מדד שיותר ריאלי.

תמונה חדשה מהשטח של עשבים בקנה

כדי לטפל בפער הזה, הצוות בנה מאגר נתונים חדש משדות קנה סוכר בלואיזיאנה בעזרת מצלמה בגובה חזה, המדמה חיישן המותקן על טרקטור או מרסס. הם אספו למעלה מאלף תמונות ברזולוציה גבוהה ומיינו אותן לשלוש סוגי סצנה: רק קנה סוכר, רק עשבים וסצנות מעורבות שבהן שניהם מופיעים. עבור תת-קבוצה של התמונות המעורבות המאתגרות ביותר, מומחי עשבים ציירו מלבנים סביב אדני העשב כדי שמודלים יוכלו ללמוד היכן, ולא רק האם, יש עשבים. באופן מכריע, התמונות לוכדות תנאים מציאותיים: קליפות קטנות רבות, עשבים שנטווים עם הקנה וכיסים רחבים של צמיחת עשבים, לעתים עם גבולות חזותיים לא ברורים אפילו עבור מתייגים אנושיים.

מה הבינה המלאכותית של היום יכולה ומה לא

החוקרים בדקו אז מודלים מתקדמים של למידה עמוקה בשלוש משימות. ראשית, בסיווג סצנות ברמת התמונה — לקבוע אם תמונה מראה קנה סוכר, עשבים או שניהם — הרשתות המודרניות ביצעו מצוין, כשהדגמים הטובים ביותר מבוססי טרנספורמר הגיעו לכ-99% דיוק. משמעות הדבר היא שבמבט כללי, הבינה המלאכותית יכולה לאבחן באמינות האם יש עשבים בתמונה של שדה קנה סוכר. שנית, הם בחנו גילוי עצמים, שבו המודל חייב לצייר תיבות סביב שיבולי עשבים בודדים. כאן הביצועים צנחו באופן חד: גלאי השיא שלהם, רשת קונבולוציה מודרנית בשם RTMDeT עם גב ConvNeXt ופונקציית אובדן מודעת גאומטריה, הגיע לציון AP50 של 44.2, רחוק ממה שנדרש לריסוס אוטומטי בטוח ובטוח. הם גם למדו שהעלאת רזולוציית התמונה או שילוב תכונות של טרנספורמר וקונבולוציה לא תמיד עוזר ולעתים מפחית ביצועים.

להתמקד בצורות העשב, לא רק בפיקסלים ירוקים

המשימה השלישית הייתה סגמנטציה: לתחום את הפיקסלים המדויקים של העשב בתוך כל אזור שנתגלה. הצוות השווה שלוש אסטרטגיות ללא אימון ספציפי למשימה: אינדקס צבע פשוט המבליט ירקות, מודל כללי של "סגמנט הכל", ושיטה בהדרכה חלשה שלומדת מרמזים גסים. לכל אחת היו חוזקות וחולשות. שיטות מבוססות צבע נתנו קווי מתאר חדים כשהעשבים בלטו אך נכשלו כאשר צמחים ברקע היו בגוונים דומים. מודל הסגמנטציה הכללי תפס מבנה היטב אך לפעמים פספס עלים עדינים או לקח גושים גדולים של רקע. השיטה בהדרכה חלשה מצאה לעתים קרובות יותר מהעשב בסצנות קשות של ירוק על ירוק אך נטתה לסימון יתר של אדמה ואזורים שאינם עשב. יחד עם ציוני הגילוי הצנועים, התוצאות מדגישות עד כמה קשה עדיין להפריד בין קנה לעשבים דומים במציאות השדה.

כמה קרובים אנחנו למרססים חכמים?

מנקודת מבט של חקלאי, המסר מעורב. החדשות הטובות הן שהבינה המלאכותית כבר מסוגלת להחליט, בדיוק קרוב לשלמות, האם סצנת קנה סוכר מכילה עשבים, וכמה גלאים מהירים מספיקים כדי לרוץ על ציוד בשדה. החדשות הרזות הן שמערכות נוכחיות עדיין מתקשות לאתר במדויק היכן כל עשב כשהצמחים מסורבלים ודומים חזותית — בדיוק במצבים שבהם ריסוס ממוקד חשוב ביותר. הכותבים מסכמים כי למרות שמאגר הנתונים החדש והניתוח מהווים צעדים חשובים לקראת שליטה אוטונומית בעשבים בקנה סוכר, מערכות אמינות המוכנות לשדה ידרשו נתוני אימון טובים יותר, שיטות חכמות לטיפול בגבולות צמחים עמומים ומודלים המאזנים בין דיוק למהירות על חומרה מוגבלת על הרכב. בקיצור, אנחנו קרובים יותר משהיינו — אך עדיין לא בנקודה שבה טרקטור יכול לקחת על עצמו בבטחה את שליטת העשבים באופן עצמאי.

ציטוט: Papa, J.P., Manesco, J.R.R., Schoder, M. et al. Toward autonomous weed management systems in sugarcane crops and an assessment of technological readiness. npj Artif. Intell. 2, 40 (2026). https://doi.org/10.1038/s44387-026-00096-0

מילות מפתח: חקלאות מדויקת, גילוי עשבים, קנה סוכר, ראייה ממוחשבת, תזת מרסס אוטונומית