Автоматическая сегментация сорняков с разметкой на основе экспертных знаний для приложений машинного обучения

Почему важно более умное управление сорняками

Сорняки незаметно отбирают значительную долю мировой продовольственной продукции. Они заглушают посевы, снижают урожайность и заставляют фермеров больше распылять гербициды — что дорого как для кошелька, так и для окружающей среды. В этом исследовании показано, как дроны и грамотный анализ изображений могут автоматически картировать сорняки в посевах пшеницы без необходимости кропотливой ручной разметки растений. Такая автоматизация может ускорить создание инструментов для более точечного опрыскивания, сокращая использование химикатов при сохранении высокого урожая.

От массового опрыскивания к прицельной атаке

Во многих местах мира поля без эффективного контроля сорняков теряют от одной пятой до почти всей потенциальной урожайности. В таких регионах, как прерии Канады, затраты на гербициды уже исчисляются сотнями миллионов долларов в год, а устойчивые к гербицидам сорняки распространяются. Новые инструменты «точного земледелия» стремятся опрыскивать только там, где действительно есть сорняки, вместо обработки всего поля целиком. Для этого машинам нужны точные карты сорняков, а современные подходы опираются на модели машинного обучения, анализирующие каждый пиксель изображения. Препятствие в том, что этим моделям требуются огромные, тщательно размеченные обучающие наборы данных — обычно создаваемые людьми, которые вручную обводят сорняки на каждом изображении. В этом исследовании задают вопрос: можно ли полностью пропустить этап ручной разметки?

Взгляд с дрона на пшеницу и сорняки

Исследователи работали на экспериментальном поле пшеницы площадью 2000 квадратных метров недалеко от Саскатуна, Канада. Пшеница была посеяна ровными рядами, а между ними преднамеренно засевали полосы нескольких видов сорняков — в том числе кохию, дикий овес, дикой горчицы и ложной клещевины. Дрон с высокоразрешающей RGB-камерой летал на высоте 10 метров, делая снимки настолько детализированные, что каждый пиксель представлял менее миллиметра на поверхности поля. Эти изображения были сшиты в единый ортофото — по сути точную карту-подобную картинку поля, которая и стала входом для автоматизированного компьютерного конвейера.

Преобразование цвета и формы в автоматические метки

Вместо обучения глубокой нейросети на тысячах размеченных вручную примеров команда построила конвейер на основе экспертных знаний внутри специализированного ПО для анализа изображений. Сначала они усилили изображение с помощью простых цветовых формул, подчеркивающих зеленые растения на фоне коричневой почвы. Индексы, такие как Excess Green Index и Color Index of Vegetation, были комбинированы для четкого отделения растительности от голой земли. Затем система искала длинные тонкие линейные объекты, соответствующие форме и ориентации листьев пшеницы и рядов посева. Сканируя изображение под разными углами и применяя свертки — математические скользящие окна, выделяющие повторяющиеся структуры — рабочий процесс мог обнаружить расположение рядов посевов, а в контрасте с ними — где, вероятно, находятся сорняки между рядами или внутри них.

От пикселей к картам сорняков без ручной разметки

После идентификации рядов и покрытых растительностью участков программное обеспечение применяло автоматическое пороговое разделение, сортируя каждый пиксель в одну из трех классов: культура, сорняк или голая почва. Шахматная сегментация и расчеты расстояния до ряда помогали уточнять эти решения, особенно в сложных местах, где кроны культуры и сорняков перекрывались. Важно, что все эти шаги выполнялись по фиксированному набору правил — основанных на агрономических знаниях о том, как выглядят пшеница и сорняки и где они растут — без использования каких-либо вручную размеченных образцов для обучения. Изображение обрабатывалось маленькими плитками для эффективности, а затем снова собиралось в единую полностью классифицированную карту всего поля.

Насколько точна «обучение не требуется» картография сорняков?

Для проверки метода команда сравнила автоматическую карту с тысячами случайных контрольных точек на полевых изображениях, а также с оценками людей по покрытию сорняков и их количеству. В целом рабочий процесс правильно классифицировал 87% точек, а статистическая мера согласия — коэффициент каппа — составила 0,81, что считается высоким. Обнаружение сорняков в частности показало точность пользователя 76%, при этом большинство ошибок возникало там, где плотные кроны культуры и сорняков перекрывались. Тем не менее автоматические оценки покрытия и количества сорняков хорошо коррелировали с полевыми оценками и визуальными наблюдениями людей, с достаточно сильными связями, чтобы убедиться, что система фиксирует реальные биологические закономерности, а не только шум изображения.

Что это значит для будущих ферм

Эта работа демонстрирует, что высококачественные карты сорняков можно получить из снимков с дронов, используя экспертные правила вместо наборов размеченных вручную данных. На стандартном настольном компьютере поле площадью 2000 квадратных метров полностью обработали примерно за 20 минут. Полученные размеченные карты могут напрямую поддерживать такие задачи, как оценка эффективности гербицидов, управление опрыскивателями с переменной нормой внесения или обеспечение готовыми обучающими данными для более продвинутых моделей машинного и глубокого обучения. Для фермеров и исследователей автоматическая разметка предлагает путь к более быстрому, дешевому и устойчивому управлению сорняками, приближая точное земледелие к повседневной практике.

Цитирование: 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

Ключевые слова: точное земледелие, картирование сорняков, съемка с дронов, автоматическая разметка, мониторинг посевов