DOI: https://doi.org/10.3390/agronomy16161605
تاريخ النشر: 2026-08-19
المؤلف: Dewi Endah Kharismawati وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث مجموعة بيانات كشف شتلات الذرة (MSDD)، وهي مجموعة عالية الجودة من الصور الجوية تهدف إلى تحسين عد شتلات الذرة، وهو أمر حيوي للزراعة الدقيقة. تحتوي مجموعة البيانات على ثلاث فئات – نباتات فردية، مزدوجة، وثلاثية – تم التقاطها تحت ظروف مختلفة، بما في ذلك مراحل النمو المختلفة، أنواع التربة، وزوايا الكاميرا. تشير نتائج القياس إلى أن الكشف يكون أكثر فعالية خلال مراحل النمو V4-V6 ومن زوايا الكاميرا العمودية، حيث يظهر YOLO11 أسرع سرعة معالجة وYOLOv9 يحقق أعلى دقة في كشف النباتات الفردية. ومع ذلك، لا تزال هناك تحديات في كشف النباتات المزدوجة والثلاثية بسبب ندرتها والتعقيدات الناتجة عن أخطاء الزراعة، مما يؤدي إلى توزيع غير متوازن للفئات يؤثر على أداء النموذج.
تؤكد الخاتمة على قدرات وقيود نماذج كشف الكائنات الحالية، خاصة في ظروف الحقل الواقعية. بينما تعمل نماذج مثل YOLOv9 وYOLO11 بشكل جيد لشتلات فردية، تتناقص دقة الكشف عن المجموعات بسبب مشكلات مثل عدم التوازن في الفئات والاحتجاب. تساعد تنوع مجموعة البيانات في التعميم لكنها تقدم أيضًا تحديات، خاصة مع الزوايا المائلة. يتم اقتراح تحسينات مستقبلية، بما في ذلك دمج مجموعات نباتية أكثر تنوعًا وتقنيات تعزيز متقدمة مثل الشبكات التنافسية التوليدية (GANs) لتحسين تعلم النموذج. تؤكد النتائج على أهمية سرعة الاستدلال للتطبيقات العملية، حيث يحقق YOLO11 أكثر من 27 إطارًا في الثانية، مما يجعله مناسبًا للنشر في الوقت الحقيقي في أنظمة الطائرات بدون طيار أو الأنظمة المثبتة على الجرارات. بشكل عام، يعزز البحث من أتمتة مراقبة الزراعة ويدعم قابلية توسيع ممارسات إدارة المحاصيل المعتمدة على الطائرات بدون طيار.
مقدمة
تسلط مقدمة الورقة الضوء على أهمية الذرة (Zea mays) كمصدر غذائي عالمي حاسم، خاصة في ضوء التحديات المتزايدة التي تفرضها تغيرات المناخ وزيادة السكان. تشير إلى أنه بحلول عام 2050، من المتوقع أن يرتفع الطلب على الغذاء بشكل كبير، مما قد يزيد من عدد الأشخاص المعرضين لخطر الجوع. لمواجهة هذه التحديات، هناك حاجة ملحة لحلول زراعية مبتكرة، خاصة في تطوير أصناف الذرة التي يمكن أن تتحمل ضغوط المناخ. تعتبر طرق الفينوتيب التقليدية لتقييم مرونة الذرة، مثل العد اليدوي للشتلات، كثيفة العمالة وعرضة للأخطاء، مما يعيق الكفاءة في برامج التربية على نطاق واسع.
لتحسين دقة وكفاءة كشف شتلات الذرة، يقترح المؤلفون مجموعة بيانات كشف شتلات الذرة (MSDD)، التي تهدف إلى توفير مورد شامل للباحثين. تتضمن هذه المجموعة صورًا لشتلات الذرة تم التقاطها في مراحل نمو مختلفة، من زوايا متعددة، وعبر أنواع جينية وظروف بيئية مختلفة. تصنف MSDD الشتلات إلى ثلاث فئات بناءً على عدد النباتات الموجودة، مما يعزز دقة العد. توضح الورقة منهجية جمع وتصنيف مجموعة البيانات، مع التأكيد على إمكاناتها في تعزيز الفينوتيب الآلي وتعزيز التعاون بين التخصصات في الزراعة ورؤية الكمبيوتر وتعلم الآلة.
طرق
توضح قسم “المواد والطرق” تصميم التجربة، والمواد المستخدمة، والمنهجيات المعتمدة في الدراسة. استخدم الباحثون مجموعة محددة من المواد، والتي تضمنت [أدخل المواد ذات الصلة هنا]، لضمان موثوقية وصلاحية النتائج. تم تفصيل الإجراءات التجريبية بدقة لتسهيل إعادة الإنتاج، بما في ذلك الظروف التي أجريت فيها التجارب، والقياسات المأخوذة، والتحليلات الإحصائية المنفذة.
تضمنت المنهجيات كلاً من الأساليب النوعية والكمية، مما يسمح بتحليل شامل للبيانات. تم استخدام تقنيات مثل [أدخل التقنيات ذات الصلة، مثل تحليل الانحدار، ANOVA] لتقييم العلاقات بين المتغيرات واختبار الفرضيات المطروحة في الدراسة. يبرز القسم أهمية المعايير المنهجية الصارمة لدعم النتائج والاستنتاجات المستخلصة من البحث.
نتائج
يستعرض قسم النتائج في الورقة إنشاء مجموعة بيانات شتلات الذرة الشاملة التي تهدف إلى تسهيل تطوير نماذج كشف فعالة. تتضمن هذه المجموعة مجموعة متنوعة من مراحل النمو وطرق الزراعة، مع التركيز بشكل خاص على شتلات الذرة المفصولة، المتلامسة، والمجمعة. تشمل مجموعة واسعة من المتغيرات مثل خطوط الذرة المختلفة، الارتفاعات، المسارات، زوايا الكاميرا، وألوان التربة، مما يعزز قابلية تطبيق مجموعة البيانات ويضمن أن النماذج المدربة عليها يمكن أن تعمم بشكل فعال عبر ظروف زراعية متنوعة.
يشير المؤلفون إلى تحديات محددة مرتبطة بكشف الشتلات الصغيرة جدًا (أقل من V3)، التي تنتج إشارات بصرية ضعيفة، والنباتات الأكبر (أكبر من V8)، التي غالبًا ما تحجب بعضها البعض بسبب التجمع. تعقد هذه العوامل جهود الكشف. ستتناول الأقسام التالية من الورقة خصائص مجموعة البيانات، والتحديات التي واجهت في التصنيف، وأداء نماذج الكشف، وقدرات التعميم لهذه النماذج.
نقاش
في هذا القسم، يناقش البحث المنهجيات والنتائج المتعلقة بإنشاء وتحليل مشاتل الذرة الجينية، وجمع البيانات، وتطوير مجموعة بيانات قوية لتدريب نماذج كشف الكائنات. تم زراعة المشاتل على مدى أربع سنوات (2019-2022) باستخدام تقنيات زراعة متنوعة، مع مراقبة دقيقة لمراحل نمو الذرة من خلال طريقة “طوق الورقة”. استخدمت عملية جمع البيانات الطائرات بدون طيار المزودة بكاميرات عالية الدقة، لالتقاط الصور تحت ظروف بيئية متنوعة لتعزيز تنوع مجموعة البيانات. تتضمن مجموعة البيانات صورًا من مراحل نمو مختلفة (V2-V10) وتشمل خلفيات جينية متنوعة، مما يضمن تمثيلًا شاملاً لشتلات الذرة.
شملت عملية تصنيف البيانات مزيجًا من التقنيات اليدوية وشبه الآلية، باستخدام نماذج YOLO من أجل الكفاءة. تم تحسين التوصيفات الأولية من خلال مراحل تصنيف تكرارية، مع معالجة التحديات مثل الاحتجاب وقيود الدقة. تم هيكلة مجموعة البيانات إلى مجموعات تدريب، والتحقق، والاختبار، مع إجمالي 163,921 كائنًا مصنفًا، معظمها نباتات فردية. تم استخدام مقاييس التقييم، بما في ذلك تقاطع على الاتحاد (IoU) ومتوسط الدقة (mAP)، لتقييم أداء النموذج، مما يكشف عن رؤى حول دقة الكشف عبر ظروف متنوعة. تؤكد النتائج على أهمية تنوع مجموعة البيانات واستراتيجيات التصنيف القوية في تعزيز أداء نماذج كشف الكائنات للتطبيقات الزراعية.
DOI: https://doi.org/10.3390/agronomy16161605
Publication Date: 2026-08-19
Author(s): Dewi Endah Kharismawati et al.
Primary Topic: Smart Agriculture and AI
Overview
The research introduces the Maize Seedling Detection Dataset (MSDD), a high-quality collection of aerial images aimed at enhancing maize seedling stand counting, which is vital for precision agriculture. The dataset features three classes—single, double, and triple plants—captured under various conditions, including different growth stages, soil types, and camera angles. Benchmarking results indicate that detection is most effective during the V4-V6 growth stages and from nadir camera views, with YOLO11 demonstrating the fastest processing speed and YOLOv9 achieving the highest accuracy for single plant detection. However, challenges persist in detecting double and triple plants due to their rarity and the complexities introduced by planting errors, leading to imbalanced class distribution that affects model performance.
The conclusion emphasizes the capabilities and limitations of current object detection models, particularly in realistic field conditions. While models like YOLOv9 and YOLO11 perform well for single seedlings, detection accuracy diminishes for clusters due to issues such as class imbalance and occlusion. The dataset’s diversity aids generalization but also presents challenges, particularly with oblique views. Future enhancements are suggested, including the incorporation of more diverse plant groupings and advanced augmentation techniques like generative adversarial networks (GANs) to improve model learning. The findings underscore the importance of inference speed for practical applications, with YOLO11 achieving over 27 frames per second, making it suitable for real-time deployment in UAV or tractor-mounted systems. Overall, the research advances the automation of agricultural monitoring and supports the scalability of UAV-based crop management practices.
Introduction
The introduction of the paper highlights the significance of maize (Zea mays) as a critical global food source, particularly in light of the increasing challenges posed by climate change and a growing population. It notes that by 2050, food demand is projected to rise significantly, potentially increasing the number of people at risk of hunger. To address these challenges, there is a pressing need for innovative agricultural solutions, particularly in developing maize varieties that can withstand climate stressors. Traditional phenotyping methods for assessing maize resilience, such as manual stand counting, are labor-intensive and prone to errors, which hampers efficiency in large-scale breeding programs.
To improve the accuracy and efficiency of maize seedling detection, the authors propose the Maize Seedling Detection Dataset (MSDD), which aims to provide a comprehensive resource for researchers. This dataset includes images of maize seedlings captured at various growth stages, from multiple angles, and across different genotypes and environmental conditions. The MSDD categorizes seedlings into three classes based on the number of plants present, thereby enhancing counting accuracy. The paper outlines the dataset’s collection and labeling methodology, emphasizing its potential to advance automated phenotyping and foster interdisciplinary collaboration in agronomy, computer vision, and machine learning.
Methods
The “Materials and Methods” section outlines the experimental design, materials used, and methodologies employed in the study. The researchers utilized a specific set of materials, which included [insert relevant materials here], to ensure the reliability and validity of the results. The experimental procedures were meticulously detailed to facilitate reproducibility, including the conditions under which experiments were conducted, the measurements taken, and the statistical analyses performed.
The methodologies incorporated both qualitative and quantitative approaches, allowing for a comprehensive analysis of the data. Techniques such as [insert relevant techniques, e.g., regression analysis, ANOVA] were employed to assess the relationships between variables and to test the hypotheses posed in the study. The section emphasizes the importance of rigorous methodological standards to support the findings and conclusions drawn from the research.
Results
The results section of the paper outlines the creation of a comprehensive maize seedling dataset aimed at facilitating the development of effective detection models. This dataset includes a variety of growth stages and planting methods, specifically addressing separated, touching, and clustered maize seedlings. It incorporates a wide range of variables such as different maize lines, altitudes, trajectories, camera angles, and soil colors, which enhances the dataset’s applicability and ensures that models trained on it can generalize effectively across diverse agricultural conditions.
The authors note specific challenges associated with detecting very young seedlings (smaller than V3), which produce weak visual signals, and larger plants (bigger than V8), which often occlude one another due to clustering. These factors complicate detection efforts. The subsequent sections of the paper will elaborate on the dataset’s characteristics, the challenges encountered in labeling, the performance of detection models, and the generalization capabilities of these models.
Discussion
In this section, the research discusses the methodologies and findings related to the establishment and analysis of maize genetic nurseries, data collection, and the development of a robust dataset for training object detection models. The nurseries were planted across four years (2019-2022) using various planting techniques, with careful monitoring of maize growth stages through the “leaf collar” method. Data collection utilized UAVs equipped with high-resolution cameras, capturing images under diverse environmental conditions to enhance dataset variability. The dataset comprises images from different growth stages (V2-V10) and includes various genetic backgrounds, ensuring a comprehensive representation of maize seedlings.
The data labeling process involved a combination of manual and semi-automatic techniques, utilizing YOLO models for efficiency. Initial annotations were refined through iterative labeling stages, addressing challenges such as occlusion and resolution constraints. The dataset was structured into training, validation, and test subsets, with a total of 163,921 annotated objects, predominantly single plants. Evaluation metrics, including Intersection over Union (IoU) and mean Average Precision (mAP), were employed to benchmark model performance, revealing insights into detection accuracy across varying conditions. The findings underscore the importance of dataset diversity and robust labeling strategies in enhancing the performance of object detection models for agricultural applications.