Zautomatyzowana segmentacja chwastów z etykietowaniem opartym na wiedzy dla zastosowań uczenia maszynowego

Dlaczego inteligentniejsza kontrola chwastów ma znaczenie

Chwasty po cichu kradną znaczną część światowego plonu. Przytłaczają uprawy, obniżają plony i zmuszają rolników do częstszego stosowania herbicydów, co jest kosztowne zarówno dla portfela, jak i dla środowiska. W tym badaniu pokazano, jak drony i sprytna analiza obrazów mogą automatycznie mapować chwasty na polach pszenicy — bez konieczności żmudnego ręcznego oznaczania roślin. Taka automatyzacja mogłaby przyspieszyć rozwój narzędzi do bardziej precyzyjnego opryskiwania, ograniczając użycie chemikaliów przy jednoczesnym utrzymaniu wysokich plonów.

Od oprysku na całej powierzchni do celowanego działania

Na całym świecie pola bez skutecznej kontroli chwastów mogą tracić od jednej piątej do niemal całego potencjalnego plonu. W regionach takich jak prerie Kanady koszty herbicydów sięgają już setek milionów dolarów rocznie, a odporne na herbicydy chwasty się rozprzestrzeniają. Nowe narzędzia „rolnictwa precyzyjnego” mają na celu opryskiwać tylko tam, gdzie rzeczywiście występują chwasty, zamiast traktować całe pole. Aby to osiągnąć, maszyny najpierw potrzebują dokładnych map chwastów, a współczesne podejścia opierają się na modelach uczenia maszynowego analizujących każdy piksel obrazu. Problem w tym, że modele te wymagają ogromnych, starannie oznakowanych zbiorów treningowych — zwykle tworzonych ręcznie przez ludzi obrysowujących chwasty, obraz po obrazie. Badanie stawia pytanie: czy da się pominąć ten etap ręcznego oznaczania?

Widok z drona na pszenicę i chwasty

Naukowcy pracowali na 2 000-metrowym polu eksperymentalnym z pszenicą w pobliżu Saskatoon w Kanadzie. Pszenica była zasadzona w prostych rzędach, a między rzędami celowo wysiano pasy kilku gatunków chwastów — w tym kochię, owies dziki, gorczycę polną i rdestówkę. Dron wyposażony w wysokorozdzielczą kamerę RGB latał 10 metrów nad ziemią, rejestrując obrazy tak szczegółowe, że każdy piksel odpowiadał mniej niż milimetrowi na powierzchni pola. Obrazy te złożono w jeden „ortofotograf” — zasadniczo precyzyjną mapopodobną fotografię pola — która stała się wejściem dla zautomatyzowanego przepływu przetwarzania.

Przekształcanie koloru i kształtu w automatyczne etykiety

Zamiast trenować głęboką sieć na tysiącach ręcznie oznaczonych przykładów, zespół zbudował potok oparty na wiedzy eksperckiej w specjalistycznym oprogramowaniu do analizy obrazów. Najpierw wzmocniono obraz prostymi formułami kolorystycznymi podkreślającymi rośliny zielone na tle brązowej gleby. Indeksy takie jak nadmiar zieleni (Excess Green) i indeks koloru roślinności zostały połączone, by wyraźnie oddzielić roślinność od odsłoniętej gleby. Następnie system poszukiwał długich, cienkich, liniowych cech odpowiadających kształtowi i orientacji liści pszenicy i rzędów upraw. Skanując obraz pod wieloma kątami i stosując filtry splotowe — matematyczne okna przesuwne uwydatniające powtarzające się struktury — przepływ pracy potrafił wskazać położenie rzędów upraw, a przez kontrast także miejsca, gdzie prawdopodobnie występowały chwasty między lub wewnątrz rzędów.

Od pikseli do map chwastów bez ręcznego rysowania

Gdy rzędy upraw i obszary pokryte roślinnością zostały zidentyfikowane, oprogramowanie zastosowało automatyczne progowanie, aby przypisać każdy piksel do jednej z trzech klas: uprawa, chwast lub odsłonięta gleba. Segmentacja w stylu szachownicy i obliczenia odległości od rzędów pomogły dopracować te decyzje, zwłaszcza w trudnych miejscach, gdzie chwasty rosły wśród roślin uprawnych. Co ważne, wszystkie te kroki działały na podstawie stałego zestawu reguł — opartych na agronomicznej wiedzy o tym, jak wyglądają pszenica i chwasty oraz gdzie rosną — bez użycia ręcznie oznaczonych próbek treningowych. Obraz był przetwarzany w małych kafelkach dla efektywności, a następnie składany z powrotem w jedną, w pełni sklasyfikowaną mapę całego pola.

Na ile dokładne jest mapowanie chwastów bez treningu?

Aby przetestować metodę, zespół porównał swą zautomatyzowaną mapę z tysiącami losowych punktów kontrolnych na zdjęciach pola oraz z ludzkimi szacunkami pokrycia chwastami i ich liczebności. Ogólnie przepływ pracy poprawnie oznaczył 87% punktów, a statystyczna miara zgodności znana jako kappa wyniosła 0,81, co uznaje się za silny wynik. Wykrywanie chwastów miało specyficzną dokładność użytkownika na poziomie 76%, przy czym większość błędów występowała tam, gdzie gęste podszycie uprawy i chwastów nachodziło na siebie. Mimo to zautomatyzowane oszacowania pokrycia chwastami i liczb bardzo dobrze odzwierciedlały polowe oceny i wizualne obserwacje ludzi, związek był na tyle silny, by dać pewność, że system wychwytuje rzeczywiste wzorce biologiczne, a nie jedynie szum obrazowy.

Co to oznacza dla przyszłych gospodarstw

Praca ta pokazuje, że mapy chwastów wysokiej jakości można uzyskać z obrazów dronów przy użyciu reguł eksperckich zamiast ręcznie oznaczonych zbiorów treningowych. Na standardowym komputerze stacjonarnym 2 000-metrowe pole zostało w pełni przetworzone w około 20 minut. Powstałe oznakowane mapy mogą bezpośrednio wspierać zadania takie jak ocena skuteczności herbicydów, kierowanie opryskiwaczami o zmiennej dawce czy zasilanie bardziej zaawansowanych modeli uczenia maszynowego i głębokiego gotowymi danymi treningowymi. Dla rolników i badaczy automatyczne etykietowanie oferuje drogę do szybszego, tańszego i bardziej zrównoważonego zarządzania chwastami, przybliżając rolnictwo precyzyjne do codziennej praktyki.

Cytowanie: Ha, T., Aldridge, K., Johnson, E. et al. Automated weed segmentation with knowledge based labeling for machine learning applications. Sci Rep 16, 6220 (2026). https://doi.org/10.1038/s41598-026-37475-1

Słowa kluczowe: rolnictwo precyzyjne, mapowanie chwastów, zapis lotniczy z drona, automatyczne etykietowanie, monitorowanie upraw