К автономным системам борьбы с сорняками в посевах сахарного тростника и оценка технологической готовности

Борьба с сорняками без заливания полей химикатами

Сорняки — нежеланные гости в сельском хозяйстве, отбирающие у культур воду, свет и питательные вещества. В сахарном тростнике, важной культуре для производства сахара и биотоплива, эти «нахлебники» могут снижать урожайность до трети и заставлять фермеров распылять большие объёмы гербицидов по всему полю. В этой статье рассматривается, может ли современный искусственный интеллект дать тракторам «глаза» — умные камеры, которые в реальном времени обнаруживают сорняки среди тростника, чтобы химикаты подавались только туда, где они действительно нужны.

Почему поля с тростником особенно сложны

Многие современные системы ИИ уже умеют различать культуры и сорняки, когда растения явно выделяются на фоне голой почвы или когда снимки сделаны сверху. Но поля тростника представляют более трудную задачу. Сахарный тростник — высокий многолетний злак; его листья и стебли очень похожи на многие злаковые сорняки, и оба образуют плотный, запутанный зелёный покров. Вместо простых сцен «зелёное на коричневом» камера видит «зелёное на зелёном», с перекрывающимися листьями, меняющимся светом, пылью, грязью и дождём. Ранние исследования в основном использовали изображения с дронов или аккуратные экспериментальные участки, где сорняки визуально отделены от культуры. Авторы утверждают, что это не отражает ту беспорядочную реальность, с которой сталкиваются фермеры, и что нужен более реалистичный эталон.

Новая реальная картина сорняков в тростнике

Чтобы устранить этот разрыв, команда создала новый набор данных с полей сахарного тростника в Луизиане, используя камеру на уровне груди, имитирующую сенсор, установленный на тракторе или опрыскивателе. Они собрали более двух тысяч изображений высокого разрешения и разделили их на три типа сцен: только тростник, только сорняки и смешанные сцены, где присутствуют оба. Для части самых сложных смешанных снимков эксперты по сорнякам обвели прямоугольниками участки с сорняками, чтобы модели могли учиться не только определять наличие сорняков, но и где именно они находятся. Важно, что изображения фиксируют реалистичные условия: многочисленные мелкие всходы, сорняки, переплетённые с тростником, и широкие заросли сорняков, часто с неясными визуальными границами даже для человеческих аннотаторов.

Что современный ИИ умеет и чего не умеет

Затем исследователи протестировали современные модели глубокого обучения на трёх задачах. Первая — простая классификация сцены: определить, показывает ли изображение тростник, сорняки или и то, и другое. Современные сети справились очень хорошо: лучшие модели на основе трансформеров достигли примерно 99% точности. Это означает, что в общих чертах ИИ надёжно определяет присутствие сорняков на изображении поля тростника. Во-вторых, они проверили детекцию объектов, где модели должны обводить коробками отдельные куртины сорняков. Здесь производительность резко упала: их лучший детектор — современная сверточная сеть RTMDeT с бэкбоном ConvNeXt и геометрически-осведомлённой функцией потерь — показал AP50 равный 44,2, что далеко от того уровня, который необходим для уверенного автоматического опрыскивания. Они также обнаружили, что простое повышение разрешения изображений или сочетание признаков трансформеров и свёрток не помогало и иногда ухудшало детекцию.

Увеличение внимания к форме сорняков, а не только к зелёным пикселям

Третья задача — сегментация: выделение точных пикселей сорняка в пределах каждой обнаруженной области. Команда сравнила три стратегии без специальной дообучки моделей для этой задачи: простой цветовой индекс, подчёркивающий зеленость; универсальную модель «segment anything»; и слабо контролируемый метод, который учится по грубым подсказкам. У каждой подхода были сильные и слабые стороны. Методы на основе цвета давали чёткие контуры, когда сорняки визуально выделялись, но терпели неудачу, когда фоновые растения имели похожие оттенки. Общая модель сегментации хорошо улавливала структуру, но иногда пропускала тонкие листья или захватывала большие куски фона. Слабо контролируемый метод чаще находил больше площади сорняка в сложных зелёных сценах, но склонялся к избыточной разметке почвы и других не сорных областей. В сочетании с умеренными результатами детекции это подчёркивает, насколько трудно ИИ отделить тростник от похожих сорняков в реальных полевых условиях.

Насколько мы близки к умным опрыскивателям?

С точки зрения фермера выводы смешанные. Хорошая новость: ИИ уже может с почти идеальной точностью определить, содержит ли сцена тростника сорняки, и некоторые детекторы достаточно быстрые, чтобы работать на машинах в поле. Плохая новость: текущие системы всё ещё испытывают трудности с точным локализованием каждого сорняка, когда растения переплетены и визуально похожи — ровно в тех случаях, когда целевое опрыскивание наиболее важно. Авторы заключают, что хотя их новый набор данных и анализ — важные шаги к автономному контролю сорняков в тростнике, надёжные полевые системы потребуют лучших обучающих данных, более умных подходов к обработке неоднозначных границ растений и моделей, которые балансируют точность и скорость на ограниченном бортовом оборудовании. Короче говоря, мы стали ближе, чем раньше, но ещё не достигли точки, где трактор сможет полностью и безопасно взять на себя контроль над борьбой с сорняками.

Цитирование: 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

Ключевые слова: прецизионное земледелие, обнаружение сорняков, сахарный тростник, компьютерное зрение, автономное опрыскивание