CTRNet: легкая и эффективная модель глубокого обучения для идентификации вихрей листьев полевой кукурузы

Почему важно заметить скрытый лист

На летнем кукурузном поле одни из самых вредоносных насекомых целенаправленно атакуют «сердце» растения — плотную спираль листьев вверху, называемую вихрем. Эти вредители небольшие, сама цель ещё меньше, и фермерам часто приходится опрыскивать большие площади «на всякий случай». В этом исследовании представлена новая система компьютерного зрения CTRNet, разработанная для надежного обнаружения крошечных вихрей кукурузы в реальных, запутанных полевых условиях, чтобы мониторинг посевов и применение пестицидов стали гораздо точнее и менее расточительны.

Задача: заметить маленькую цель на большом поле

Для борьбы с вредителями крайне важно точно знать, где находится вихрь, поскольку именно туда гусеницы откладывают яйца и питаются, снижая фотосинтез и урожайность. Но в реальных полях вихри трудно разглядеть: на изображениях они выглядят маленькими, часто скрыты пересекающимися листьями и контрастируют с фонами, заполненными сорняками, почвой и тенями. Ранние подходы опирались либо на визуальную инспекцию человеком, либо на простые приёмы обработки изображений, основанные на цвете и текстуре. Эти методы работали лишь в чистых, контролируемых сценах и быстро теряли эффективность при изменении освещения, наложении листьев или одновременном появлении нескольких проблем у растений.

Глубокое обучение выходит в поле

В последние годы детекторы на базе глубокого обучения, особенно семейство YOLO, значительно улучшили способность машин обнаруживать объекты на изображениях в режиме реального времени. Несколько версий были адаптированы для сельхоззадач и распознавания листьев, но стандартные модели по‑прежнему испытывают сложности с очень мелкими целями, такими как вихри кукурузы, и с постоянными изменениями освещения и расположения листьев на открытом воздухе. Они часто теряют тонкие детали по мере пропуска изображения через сеть и отвлекаются на загроможденные фоны. Авторы опираются на современную модель YOLO11 и перерабатывают ключевые части сети, чтобы лучше захватывать мелкие структуры, обмениваться информацией между масштабами изображения и игнорировать нерелевантные фоновые шаблоны.

Чем CTRNet отличается

Предлагаемая CTRNet (Contextual and Texture‑enhanced Representation Network) сохраняет скорость и компактность YOLO11, но добавляет несколько специализированных модулей. Один модуль поощряет обмен информацией между слоями сети, так что широкий контекст и тонкие детали усиливают друг друга даже при частичном скрытии вихрей. Другой модуль настроен как на грубые, медленно меняющиеся паттерны, так и на тонкие, высокочастотные детали, что помогает системе сохранять грани и текстуры, отмечающие центр вихря. Этап управляемого (gated) слияния затем комбинирует сигналы с разных масштабов, подавляя избыточные или шумные признаки. Наконец, механизм внимания перестраивает входные признаки изображения так, чтобы яркие пятна, тени и сложные фоны корректировались до того, как они смогут ввести детектор в заблуждение.

Проверка системы в деле

Для обучения и тестирования CTRNet команда собрала набор данных из 2816 изображений из публичных источников и собственных полевых съемок, охватывающих стадии развития от всходов до зрелых растений. Фотографии соответствовали углу обзора и высоте, типичным для камеры сельскохозяйственного робота, при широком диапазоне условий освещения и планировок полей. В прямых сравнениях с несколькими вариантами YOLO и детектором на основе трансформеров CTRNet показала наивысшую точность в идентификации вихрей, повысив стандартную оценку детекции (mAP@0.5) с 81.6% до 84.7%, при этом используя меньше параметров модели, чем исходный базовый вариант. Визуальные сравнения показали, что CTRNet более строго фокусируется на реальной области вихря и даёт меньше ложных подсветок на окружающих листьях или почве, особенно в условиях низкой освещенности, резкого солнечного света или сильного перекрытия листьев.

Достаточно быстро для роботов в рядах

Помимо точности, авторы проверили, сможет ли CTRNet работать на небольшом edge‑AI компьютере, схожем с тем, который несёт полевой робот. На устройстве NVIDIA Jetson Orin Nano модель сохраняла частоту кадров в реальном времени, особенно в сочетании с оптимизированным движком инференса и вычислениями в половинной точности. Это означает, что CTRNet может практически направлять опрыскиватели или разведывательные роботы, которые должны быстро реагировать по мере движения по междурядьям, вместо того чтобы полагаться на медленный офлайн‑анализ.

Что это значит для более умной борьбы с вредителями

Проще говоря, CTRNet даёт машинам более «острое зрение» для крошечной, но важной части кукурузного растения. Надёжно обнаруживая вихри несмотря на тени, блики и наложение листьев, система позволяет точнее мониторить повреждения от вредителей и более прицельно применять пестициды. Работа демонстрирует, что продуманно спроектированные лёгкие модели глубокого обучения могут не только сравняться с более тяжёлыми системами, но и превзойти их по скорости и точности, открывая путь к более умным, менее расточительным инструментам защиты посевов и, возможно, к аналогичным системам для других культур и болезней.

Цитирование: Tian, X., Zhang, J. & Li, Y. CTRNet: a lightweight and efficient deep learning model for field maize whorl identification. Sci Rep 16, 10570 (2026). https://doi.org/10.1038/s41598-026-45727-3

Ключевые слова: обнаружение вредителей кукурузы, компьютерное зрение в сельском хозяйстве, точное земледелие, легкие модели глубокого обучения, полевые роботы