Локализация точек роста растений с помощью постепенного ослабления априорной информации по эпохам

Более умная прополка для растущего мира

По мере роста населения Земли фермерам приходится производить больше продовольствия, сокращая при этом использование химикатов и защищая окружающую среду. Одна из главных задач — избавляться от сорняков, не повреждая ценные культуры. В этой статье представлена новая стратегия обучения искусственного интеллекта (ИИ), которая помогает машинам точно определять, где именно у растений располагаются точки роста — откуда они развиваются — чтобы инструменты вроде лазерных или электрических прополочных установок могли прицельно уничтожать сорняки и не трогать культуры.

Почему точки роста важны

Сорняки отбирают у культур свет, воду и питательные вещества, снижая урожайность и угрожая продовольственной безопасности. Фермеры часто полагаются на гербициды, но их чрезмерное применение вызывает опасения по поводу здоровья, загрязнения и появления устойчивых сорняков. Новые методы, такие как прополка пламенем, электричеством и лазером, обещают более чистый контроль, уничтожая растения механически или энергетическими лучами. Чтобы такие системы работали безопасно, им нужно отличать культуры от сорняков и находить крошечные точки роста — часто в местах соединения стеблей — где повреждение наиболее эффективно. Многие существующие инструменты компьютерного зрения могут обнаруживать целые растения, но им сложно быстро и точно находить эти небольшие цели в режиме реального времени на поле.

Превращение простых цветовых подсказок в мощное руководство

Исследователи опираются на простую идею: зеленые растения выглядят иначе, чем коричневая почва, на обычных цветных фотографиях. Хорошо известная цветовая формула, называемая вегетационным индексом ExG-ExR, комбинирует значения красного, зеленого и синего каналов для каждого пикселя так, чтобы пиксели растений выделялись как светлые, а пиксели почвы — как тёмные. Этот индекс можно вычислить с любого стандартного камеры без дополнительных датчиков. В новой системе этот вегетационный индекс добавляется к привычным трём цветовым каналам как четвертый вход для популярного детектора ИИ YOLO-Pose. Такой четырёхканальный вид даёт модели более чёткое представление о расположении растений, помогая ей сосредоточиться на нужных областях при поиске точек роста.

Обучение ИИ от простого к сложному

Просто добавить дополнительную информацию недостаточно — модель должна ещё научиться её использовать. Команда вводит стратегию «постепенного ослабления априора по эпохам» (epoch-based prior annealing, EPA), вдохновлённую тем, как учатся люди. В начале обучения модель сильно поощряют держать предсказанные точки роста внутри областей растений, используя вегетационный индекс как ориентир. Если точка оказывается на почве, алгоритм обучения налагает более жёсткое наказание; если точка лежит на пикселях растения, наказание мягче. По мере продвижения обучения это руководство постепенно ослабевает по плавному расписанию, позволяя модели меньше полагаться на грубую цветовую подсказку и больше — на тонкие визуальные закономерности, которые она выучила. К концу обучения ИИ уже не принуждается к самым зелёным пикселям, которые могут не быть истинными точками роста, а самостоятельно уточняет их положение.

Проверка идеи в реальных полях

Чтобы проверить подход, авторы обучили модели на двух реальных наборах данных, содержащих тысячи полевых изображений с несколькими видами культур и многими типами сорняков. Они сравнили варианты модели YOLO-Pose с дополнительным вегетационным каналом и без него, а также с и без стратегии EPA. Добавление только вегетационного индекса дало умеренный прирост, но сочетание его с EPA привело к заметному улучшению точности локализации точек роста — примерно на 2,4 процентных пункта в стандартной метрике детекции — без ухудшения способности модели обводить растения рамками. Дополнительные вычисления были минимальны (менее полупроцента от общей стоимости), что делает метод пригодным для роботов с ограниченными ресурсами. Тесты в разных условиях освещения, уровнях влажности почвы и даже на разных версиях моделей YOLO показали, что стратегия широко применима, хотя в некоторой мере чувствительна к силе и длительности применения априорного руководства.

Что это значит для будущего фермерства

Для неспециалистов главный вывод в том, что небольшое изменение в способе обучения ИИ — сначала использовать простую цветовую подсказку, а затем постепенно позволять модели действовать самостоятельно — может существенно повысить способность машин находить точные места на растениях, где важно вмешательство. Улучшенная локализация точек роста может помочь будущим роботам-прополочникам направлять электрические импульсы или лазерные лучи точно в сорняки, щадя культуры, снижая применение гербицидов и влияние на окружающую среду. Ту же стратегию можно адаптировать к другим видам растительных сигналов и ИИ-моделям, что открывает путь к более умным и надёжным системам зрения для поддержки устойчивого высокоточного сельского хозяйства.

Цитирование: 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

Ключевые слова: точное сельское хозяйство, борьба с сорняками, компьютерное зрение, глубокое обучение, точки роста растений