Lokalizacja punktów wzrostu roślin za pomocą zaniku priorytetu opartego na epokach

Bardziej inteligentne odchwaszczanie dla głodnego świata

W miarę wzrostu liczby ludności na świecie rolnicy są pod presją, by produkować więcej żywności przy użyciu mniejszej ilości chemikaliów i przy jednoczesnej ochronie środowiska. Jednym z głównych wyzwań jest usuwanie chwastów bez szkody dla cennych upraw. W artykule przedstawiono nową strategię treningu sztucznej inteligencji (AI), która pomaga maszynom precyzyjnie lokalizować miejsca, z których rosną rośliny — ich punkty wzrostu — tak by narzędzia takie jak lasery czy odstraszacze elektryczne mogły atakować chwasty z chirurgiczną precyzją, oszczędzając uprawy.

Dlaczego punkty wzrostu są ważne

Chwasty zabierają uprawom światło słoneczne, wodę i składniki odżywcze, obniżając plony i zagrażając bezpieczeństwu żywnościowemu. Rolnicy często polegają na herbicydach, ale ich nadmierne stosowanie rodzi obawy o zdrowie, zanieczyszczenie i powstawanie odpornych chwastów. Nowe techniki, takie jak odchwaszczanie ogniem, prądem lub laserem, obiecują czystsze zwalczanie przez mechaniczną destrukcję roślin lub użycie wiązek energii. Aby działały bezpiecznie, systemy te muszą rozróżniać uprawy i chwasty, a następnie lokalizować drobne punkty wzrostu — często w miejscach połączeń łodyg — gdzie uszkodzenie jest najbardziej skuteczne. Wiele istniejących narzędzi widzenia komputerowego potrafi wykryć całe rośliny, ale ma trudności ze znalezieniem tych małych celów wystarczająco dokładnie i szybko, by działać w czasie rzeczywistym w terenie.

Przekształcanie prostych wskazówek kolorystycznych w potężne wskazówki

Naukowcy opierają się na prostym założeniu: zielone rośliny wyglądają inaczej niż brązowa gleba na zwykłych zdjęciach kolorowych. Znany wzór kolorystyczny, zwany wskaźnikiem roślinności ExG-ExR, łączy składowe czerwieni, zieleni i niebieskiego dla każdego piksela tak, aby piksele roślin pojawiały się jasne, a piksele gleby ciemne. Ten wskaźnik można obliczyć z dowolnej standardowej kamery bez dodatkowych czujników. W nowym systemie ten wskaźnik dodano do zwykłych trzech kanałów kolorów jako czwarty input do popularnego detektora AI znanego jako YOLO-Pose. Ten czterokanałowy obraz daje modelowi wyraźniejszy obraz miejsc, gdzie są rośliny, pomagając mu skupić się na odpowiednich obszarach podczas poszukiwania punktów wzrostu.

Nauczanie AI od prostego do trudnego

Sam dodatek dodatkowej informacji to za mało; model musi także nauczyć się jej używać. Zespół wprowadza strategię „zaniku priorytetu opartego na epokach” (epoch-based prior annealing, EPA), inspirowaną sposobem, w jaki ludzie się uczą. Na początku treningu model jest silnie zachęcany do umieszczania przewidywanych punktów wzrostu wewnątrz obszarów roślinnych, wykorzystując wskaźnik roślinności jako wskazówkę. Jeśli umieści punkt na glebie, algorytm treningowy nakłada silniejszą karę; jeśli punkt znajduje się w pikselach roślin, kara jest mniejsza. W miarę postępu treningu to prowadzenie jest stopniowo osłabiane zgodnie z gładkim harmonogramem, pozwalając modelowi coraz mniej polegać na przybliżonej wskazówce kolorystycznej i coraz bardziej na drobnych wzorcach wizualnych, które sam wyuczył. Na końcu AI nie jest już wymuszana, by wybierać najzielniejsze piksele, które nie muszą odpowiadać prawdziwym punktom wzrostu, lecz samodzielnie dopracowuje ich położenie.

Sprawdzenie pomysłu na polach

Aby przetestować swoje podejście, autorzy trenowali modele na dwóch rzeczywistych zbiorach danych zawierających tysiące zdjęć polowych z wieloma gatunkami upraw i wieloma rodzajami chwastów. Porównali wersje modelu YOLO-Pose z dodatkowym kanałem roślinności i bez niego oraz z zastosowaniem strategii EPA i bez niej. Sama dodatkowa informacja o roślinności przyniosła umiarkowane korzyści, ale połączenie jej z EPA doprowadziło do wyraźnej poprawy dokładności lokalizacji punktów wzrostu — około 2,4 punktu procentowego w standardowym wskaźniku detekcji — bez pogorszenia zdolności modelu do rysowania ramek wokół całych roślin. Dodatkowe obciążenie obliczeniowe było znikome (mniej niż pół procenta całkowitego kosztu), co czyni metodę odpowiednią dla robotów polowych o ograniczonych zasobach. Testy w różnych warunkach oświetleniowych, przy różnej wilgotności gleby, a nawet na różnych wersjach YOLO wykazały, że strategia jest szeroko użyteczna, choć w pewnym stopniu wrażliwa na to, jak silnie i jak długo stosuje się prowadzenie oparte na priors.

Co to oznacza dla przyszłego rolnictwa

Dla niespecjalistów kluczowy wniosek jest taki, że drobna zmiana w sposobie trenowania AI — najpierw użycie prostego, opartego na kolorze sygnału, a potem stopniowe pozwolenie modelowi na samodzielne myślenie — może znacznie poprawić zdolność maszyn do odnajdywania dokładnych miejsc na roślinach, gdzie działanie ma znaczenie. Ta poprawa w lokalizacji punktów wzrostu może pomóc przyszłym robotom odchwaszczającym kierować impulsy elektryczne lub wiązki laserowe precyzyjnie na chwasty, oszczędzając uprawy, zmniejszając użycie herbicydów i wpływ na środowisko. Ta sama strategia może zostać dostosowana do innych typów sygnałów roślinnych i modeli AI, otwierając drogę do inteligentniejszych, bardziej niezawodnych systemów wizyjnych wspierających zrównoważone, wysokoprecyzyjne rolnictwo.

Cytowanie: Ma, C., Zhang, Z., Tian, F. et al. Plant growth point localization via epoch-based prior annealing. Sci Rep 16, 4994 (2026). https://doi.org/10.1038/s41598-026-35009-3

Słowa kluczowe: rolnictwo precyzyjne, zwalczanie chwastów, widzenie komputerowe, głębokie uczenie, punkty wzrostu roślin