W kierunku autonomicznych systemów zwalczania chwastów w uprawach trzciny cukrowej oraz ocena gotowości technologicznej

Walka z chwastami bez zalewania pól chemią

Chwasty to nieproszeni goście rolnictwa, odbierający uprawom wodę, światło i składniki odżywcze. W uprawie trzciny cukrowej, ważnej dla produkcji cukru i bioenergii, te pasożyty mogą obniżyć plony nawet o jedną trzecią i skłaniać rolników do stosowania dużych ilości herbicydów na całych polach. Artykuł bada, czy nowoczesna sztuczna inteligencja może dać ciągnikom „oczy” — inteligentne kamery wykrywające chwasty rosnące wśród trzciny w czasie rzeczywistym — aby chemia była aplikowana tylko tam, gdzie jest rzeczywiście potrzebna.

Dlaczego pola trzcinowe są szczególnie trudne

Wiele współczesnych systemów AI potrafi już odróżnić uprawy od chwastów, gdy rośliny wyraźnie wystają na tle gołej ziemi lub gdy zdjęcia wykonano z góry. Jednak pola trzcinowe stanowią trudniejszą zagadkę. Trzcina cukrowa to wysoka, wieloletnia trawa; jej liście i łodygi przypominają wiele trawiastych chwastów, a wszystkie rosną w gęstej, splątanej masie zieleni. Zamiast prostych scen zielone-na-brązowo kamera widzi zielone-na-zielono: nachodzące na siebie liście, zmienne światło, kurz, błoto i deszcz. Wcześniejsze badania w większości korzystały z obrazów z dronów lub uporządkowanych pól eksperymentalnych, gdzie chwasty były wizualnie odseparowane od uprawy. Autorzy twierdzą, że to nie odzwierciedla chaotycznej rzeczywistości, z którą mierzą się rolnicy, i potrzeby bardziej realistycznego benchmarku.

Nowy, realistyczny obraz chwastów w trzcinie

Aby wypełnić tę lukę, zespół stworzył nowe zestawienie danych z pól trzcinowych w Luizjanie, używając kamery ustawionej na wysokości około klatki piersiowej, naśladując czujnik zamontowany na ciągniku lub opryskiwaczu. Zebrali ponad dwa tysiące obrazów o wysokiej rozdzielczości i sklasyfikowali je w trzech typach scen: tylko trzcina, tylko chwasty oraz sceny mieszane, gdzie występują oba. Dla podzbioru najbardziej wymagających scen mieszanych eksperci od chwastów narysowali prostokąty wokół skupisk chwastów, aby modele komputerowe mogły się uczyć, gdzie, a nie tylko czy, chwasty występują. Co istotne, obrazy oddają realistyczne warunki: wiele małych pędów, chwasty splątane z trzciną oraz rozległe płaty chwastów, często z nieostrymi granicami nawet dla ludzkich adnotatorów.

Co współczesna AI potrafi, a czego nie potrafi

Następnie badacze przetestowali najnowocześniejsze modele głębokiego uczenia na trzech zadaniach. Po pierwsze, w prostej klasyfikacji sceny na poziomie obrazu — decydowaniu, czy zdjęcie przedstawia trzcinę, chwasty czy oba — nowoczesne sieci radziły sobie bardzo dobrze, a najlepsze modele oparte na transformatorach osiągnęły około 99% dokładności. Oznacza to, że na poziomie ogólnym AI potrafi wiarygodnie stwierdzić, czy na obrazie pola trzcinowego występują chwasty. Po drugie, zbadali wykrywanie obiektów, gdzie model musi narysować ramki wokół poszczególnych skupisk chwastów. Tu wydajność gwałtownie spadła: ich najlepszy detektor, nowoczesna sieć konwolucyjna RTMDeT z backbone’em ConvNeXt i funkcją straty uwzględniającą geometrię, osiągnął wynik AP50 równy 44,2 — daleko od poziomu potrzebnego do pewnego automatycznego opryskiwania. Badacze zauważyli też, że samo zwiększenie rozdzielczości obrazów czy łączenie cech z transformatorów i konwolucji nie pomogło, a czasem pogarszało wykrywanie.

Przyglądanie się kształtom chwastów, nie tylko zielonym pikselom

Trzecie zadanie to segmentacja: wyodrębnienie dokładnych pikseli chwastów w każdej wykrytej strefie. Zespół porównał trzy strategie bez trenowania modelu specjalnie do tego zadania: prosty indeks oparty na kolorze, który podkreśla zieleń; ogólnego przeznaczenia model „segment anything”; oraz słabo nadzorowaną metodę uczącą się z grubych wskazówek. Każda miała mocne i słabe strony. Metody oparte na kolorze dawały ostre obrysy, gdy chwasty wyróżniały się barwą, ale zawodziły, gdy rośliny tła miały podobne odcienie. Ogólny model segmentacji dobrze uchwycił strukturę, ale czasem pomijał drobne liście lub włączał duże fragmenty tła. Metoda słabo nadzorowana częściej znajdowała więcej chwastów w trudnych zielone-na-zielono scenach, ale miała tendencję do nadmiernego oznaczania gleby i innych obszarów niebędących chwastami. W połączeniu z umiarkowanymi wynikami w wykrywaniu, te obserwacje pokazują, jak trudno AI nadal odróżniać trzcinę od łudząco podobnych chwastów w rzeczywistych warunkach polowych.

Jak blisko jesteśmy bardziej inteligentnych opryskiwaczy?

Z perspektywy rolnika wniosek jest mieszany. Dobrą wiadomością jest to, że AI potrafi już z niemal doskonałą dokładnością stwierdzić, czy na obrazie trzcinowym występują chwasty, a niektóre detektory są wystarczająco szybkie, by działać na maszynach polowych. Złą wiadomością jest to, że obecne systemy nadal mają trudności z precyzyjnym wskazaniem, gdzie dokładnie rośnie każdy chwast, gdy rośliny są splątane i wizualnie podobne — a to właśnie wtedy celowane opryskiwanie ma największe znaczenie. Autorzy konkludują, że ich nowy zbiór danych i analiza to ważne kroki w kierunku autonomicznej kontroli chwastów w trzcinie, ale systemy gotowe do użytku w polu będą wymagać lepszych danych treningowych, sprytniejszych sposobów radzenia sobie z niejednoznacznymi granicami roślin oraz modeli łączących dokładność i szybkość na ograniczonym sprzęcie pokładowym. Krótko mówiąc: jesteśmy bliżej niż wcześniej — ale wciąż nie na etapie, w którym ciągnik mógłby samodzielnie, bezpiecznie przejąć kontrolę nad zwalczaniem chwastów.

Cytowanie: 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

Słowa kluczowe: rolnictwo precyzyjne, wykrywanie chwastów, trzcina cukrowa, widzenie komputerowe, autonomiczne opryskiwanie