Nowa metoda zliczania liści roślin tytoniu w polu oparta na obrazowaniu UAV i ulepszonym PointNext

Dlaczego zliczanie liści z powietrza ma znaczenie

Znajomość liczby liści na uprawie może wydawać się drobnym szczegółem, lecz dla plantatorów tytoniu jest bezpośrednim wskaźnikiem zdrowia roślin i przyszłych plonów. Dziś pracownicy wciąż chodzą po polach i liczą liście ręcznie — to czynność powolna, męcząca i kosztowna, która nie skaluje się do współczesnych gospodarstw. Badanie pokazuje, jak drony, obrazowanie 3D i sztuczna inteligencja mogą współpracować, by automatycznie zliczać liście roślin tytoniu rosnących w rzeczywistych polach, oferując szybszy i dokładniejszy sposób wspomagania nawożenia, prognozowania zbiorów oraz wspierania hodowli lepszych odmian.

Od lotów dronem do trójwymiarowego obrazu pola

Naukowcy sięgnęli najpierw po drony jako latające aparaty fotograficzne. Pilotowali komercyjny quadkopter nad plantacjami tytoniu w prowincji Yunnan w Chinach, wykonując zdjęcia wysokiej rozdzielczości z kilku wysokości i pod stromymi kątami wokół interesujących działek. Za pomocą oprogramowania fotogrametrycznego nakładające się obrazy zostały złożone w szczegółowe modele trójwymiarowe roślin. Każda roślina została następnie wydzielona jako osobna chmura punktów w przestrzeni 3D, gdzie każdy punkt reprezentuje niewielki fragment łodygi, liścia lub otaczającego bałaganu takiego jak gleba i sąsiednia roślinność. Ten krok przekształca płaskie zdjęcia w bogaty opis 3D, który może ujawnić liście nawet wtedy, gdy w zwykłych fotografiach zachodzą na siebie.

Nauczanie komputera rozpoznawania poszczególnych liści

Aby wykorzystać te chmury punktów 3D, zespół zbudował dużą, starannie oznakowaną bazę danych. Zebrali 1000 modeli pojedynczych roślin i ręcznie oznaczyli każdy punkt jako należący do docelowych liści, łodyg, innych roślin lub szumu. Na podstawie tego materiału szkoleniowego dopracowali nowoczesną sieć uczenia głębokiego dla danych 3D znaną jako PointNext, tworząc nową wersję dostosowaną do upraw polowych, nazwaną SRW-PointNext. Dodano trzy kluczowe ulepszenia: moduł uwagi (attention), który pomaga sieci koncentrować się na najbardziej informacyjnych wzorcach przestrzennych i kolorystycznych; zmienioną funkcję straty zapobiegającą, by liczne punkty liści nie zagłuszały rzadziej występujących klas, takich jak łodygi i tło; oraz wzmocniony moduł wyjściowy, lepiej odtwarzający drobne detale, gdy części chmury punktów są brakujące lub nieregularne.

Przekształcanie segmentowanych chmur w liczbę liści

Gdy SRW-PointNext nauczył się oznaczać każdy punkt 3D, model mógł oddzielić chmurę pojedynczej rośliny na część liściową i nielistną. Naukowcy musieli jednak jeszcze ustalić, ile faktycznie liści występuje. W tym celu zastosowali podejście klastrowania zwane MeanShift. Mówiąc prościej, algorytm wyszukuje gęste skupiska punktów liści w trzech wymiarach, gdzie każde takie skupisko odpowiada jednemu liściowi. Wybór pojedynczego parametru „bandwidth” kontroluje, jak ciasno lub luźno algorytm grupuje punkty. Zbyt mała wartość powoduje rozdzielenie jednego liścia na sztuczne klastry, zawyżając liczbę; zbyt duża scala bliskie liście, zaniżając wynik. Poprzez staranne dostrojenie tego parametru badacze byli w stanie pogrupować segmentowane punkty liści w realistyczne, pojedyncze liście.

Jak dobrze metoda działała

Aby sprawdzić dokładność, zespół porównał zautomatyzowane zliczenia z żmudnymi ręcznymi pomiarami dla 230 roślin polowych. Ich pipeline — obrazowanie dronem, rekonstrukcja 3D, segmentacja SRW-PointNext, a następnie klastrowanie MeanShift — osiągnął dokładność zliczania liści na poziomie około 92,6 procent. Ulepszona sieć uzyskała również wysokiej jakości segmentację: około 92 procent precyzji i średni współczynnik intersection-over-union na poziomie 76 procent, przewyższając kilka popularnych metod dla chmur punktów 3D, takich jak PointNet, PointNet++, RandLA-Net i oryginalny PointNext. Co ważne, wzrost dokładności wiązał się jedynie z umiarkowanym zwiększeniem kosztów obliczeniowych, co sugeruje, że podejście jest praktyczne dla badań na dużą skalę.

Co to oznacza dla przyszłego rolnictwa

Dla osoby niezwiązanej z tematem kluczowy przekaz jest prosty: łącząc drony, modelowanie 3D i ulepszony model AI, badacze potrafią obecnie zliczać liście tytoniu w rzeczywistych polach niemal tak niezawodnie jak ludzie, lecz znacznie szybciej i na dużo większym obszarze. To przenosi zliczanie liści z notatników i butów na ziemi do zautomatyzowanego, bogatego w dane procesu, który może zasilać cyfrowe systemy zarządzania uprawami. Choć obecna praca skupia się na tytoniu w jednym stadium wzrostu i zależy od dobrej rekonstrukcji 3D, ta sama strategia może zostać rozszerzona na inne uprawy i pory roku. Z czasem takie narzędzia mogą stać się rutynowym wsparciem dla rolników, pomagając im monitorować wzrost roślin, precyzyjnie dobierać środki i wybierać lepiej plonujące odmiany przy znacznie mniejszym udziale pracy ręcznej.

Cytowanie: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

Słowa kluczowe: fenotypowanie tytoniu, rolnictwo dronowe, chmury punktów 3D, zliczanie liści, uczenie głębokie w rolnictwie