BaleUAVision: Dataset med UAV-bilder av höbalar

Varför det spelar roll att räkna höbalar från luften

Höbalar kan verka som enkla rullar av torkat gräs, men att veta exakt hur många som finns i ett fält och var de står har konkret ekonomiskt värde för lantbrukare. Exakta räkningar styr hur mycket foder som finns till djuren, hur många lastbilar som behövs och hur lång tid skördearbetet tar. Den här artikeln presenterar BaleUAVision, ett nytt öppet dataset byggt av drönarbilder som gör det enklare att automatiskt upptäcka och räkna höbalar från luften och hjälper jordbruket att bli smartare och mer effektivt.

Gårdar sedda uppifrån

BaleUAVision baseras på 2 599 skarpa färgfotografier tagna av drönare över 16 hagefält i norra Grekland. Fälten täcker ungefär 232 acres och spänner över två regioner med olika landskap: vidsträckta slätter runt Xanthi och mer omväxlande terräng nära Drama. Flygningarna gjordes sommaren 2023 under klart väder och lätta vindar, på höjder mellan 50 och 100 meter och i måttliga hastigheter. Resultatet är en realistisk bild av fält efter skörd, med balar spridda i mönster som återspeglar lokala odlingsmetoder och terräng snarare än en laboratoriemiljö.

Att förvandla bilder till användbar data

Att samla bilder är bara första steget. Teamet bearbetade noggrant alla foton, slängde bort de med oskärpa eller andra problem och sydde sedan ihop dem till detaljerade översiktskartor, så kallade ortomosajiker, för varje fält. Dessa mosaiker användes för att manuellt räkna varje bal som en pålitlig referens. Samtidigt ritades varje enskild bal för hand på originalbilderna som en exakt kontur, inte bara en grov låda. Detta noggranna arbete skapade högkvalitativ ”ground truth”-data i flera vanliga filformat, så att många olika artificiella-intelligensverktyg kan tränas och testas utan extra konverteringsarbete.

Mångfald i flygningar, styrka i modeller

Hur en drönare flygs — hur högt, hur snabbt och hur mycket överlappning det är mellan bilderna — formar vad den ser. BaleUAVision varierar medvetet dessa flyginställningar så att detektionssystem tränade på datasetet inte fallerar när förhållandena ändras. Lägre flyg fångar mer detalj men mindre mark i varje bildruta; högre flyg ser större områden men gör att balarna ser mindre ut. Genom att inkludera bilder på olika höjder och i olika ljusförhållanden över två regioner fångar datasetet både geografisk variation och de typer av kameraskala-förändringar som verkliga operationer möter. Tester visar att denna variation hjälper AI-modeller att känna igen balar även när de fotograferas på nya platser eller från nya höjder.

Att pröva datasetet

För att kontrollera om BaleUAVision verkligen är användbart tränade författarna ett populärt detektionssystem känt som YOLOv11 för att hitta höbalar i bilderna. De utmanade sedan modellen på två sätt: genom att be den detektera balar i fält från en annan region än den den sett tidigare, och genom att ändra flyghöjden mellan träning och test. När den tränats på datasetet upptäckte systemet nästan alla balar i nya fält med mycket få falska larm. Den hanterade också högre flyghöjder väl när den tidigare sett lägre under träning. Däremot hade en modell som bara tränats på högflygande bilder svårt med närbilder tills forskarna lade till ett litet antal exempel från lägre höjder, vilket visar hur måttliga men väl valda extra data kraftigt kan öka tillförlitligheten.

Bortom generisk AI, mot fältfärdiga verktyg

Teamet jämförde också sin specialiserade, bal-tränade modell med stora allmänna synsystem som är designade för att ”segmentera vad som helst” i en bild. Fastän dessa grundmodeller är kraftfulla i många sammanhang presterade de märkbart sämre på tätt packade, små höbalar mot brusiga fältbakgrunder. Den skräddarsydda modellen tränad på BaleUAVision var inte bara mer exakt utan också mer praktisk att köra på verkliga drönare och gårdsdatorer. Detta lyfter fram hur noggrant utformade, fältspecifika data kan omvandla breda AI-framsteg till verktyg som verkligen fungerar i lantbruksskala.

Från bättre räkningar till smartare jordbruk

Enkelt uttryckt ger BaleUAVision forskare och företag ett rikt, fritt tillgängligt material av drönarbilder och bal-konturer för att bygga och testa robotar och mjukvara för balräkning. Med det kan de skapa verktyg som snabbt och pålitligt berättar för lantbrukare hur många balar de har, var de ligger och hur de bäst ska samlas in — vilket sparar bränsle, tid och arbetskraft. Samma data kan också stödja studier av fältförhållanden, logistisk planering och till och med framtida gårdsrobotar. Genom att öppna detta dataset för allmänheten lägger författarna en grund för att förvandla enkla höbalar till en ingång för mer precist, datadrivet jordbruk.

Citering: Karatzinis, G.D., Gkelios, S. & Kapoutsis, A.C. BaleUAVision: Hay Bales UAV Captured Dataset. Sci Data 13, 313 (2026). https://doi.org/10.1038/s41597-026-06622-8

Nyckelord: precisionsjordbruk, drönarbilder, detektion av höbalar, datorseende, fjärranalys-dataset