DOI: https://doi.org/10.3390/agriculture15020196
تاريخ النشر: 2025-01-17
المؤلف: Ameer Tamoor Khan وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تستكشف هذه الدراسة فعالية نماذج تعتمد على YOLOv11 للكشف عن الأوراق وتقسيمها تلقائيًا في محاصيل متنوعة، بما في ذلك الشعير الربيعي، القمح الربيعي، القمح الشتوي، الجاودار الشتوي، والتريتيكال الشتوي. الهدف الرئيسي هو تحديد ما إذا كان نموذج موحد تم تدريبه على مجموعة بيانات متعددة المحاصيل يمكن أن يتفوق على أداء النماذج الخاصة بالمحاصيل. تشير النتائج إلى أن النموذج الموحد يتفوق في مهام الصناديق المحيطة، حيث حقق متوسط دقة (mAP) عند IoU 0.50 يزيد عن 0.85 للمحاصيل الربيعية و0.7 للمحاصيل الشتوية. ومع ذلك، فإن مهام التقسيم تعطي نتائج مختلطة، حيث تظهر بعض النماذج الفردية استدعاءً أعلى للمحاصيل الشتوية، مما يشير إلى أنه بينما تعزز تنوع مجموعة البيانات التعميم، قد يكون التدريب المتخصص مفيدًا لبعض المحاصيل.
تخلص الدراسة إلى أن YOLOv11 فعال للكشف عن الأوراق وعدها تلقائيًا عبر كل من المحاصيل الربيعية والشتوية، باستخدام صور عالية الدقة من الروبوتات والطائرات بدون طيار لتقييمات قوية. على الرغم من الدقة العالية للمحاصيل الربيعية، فإن التحديات مثل التداخل، وتغير الإضاءة، وأحجام مجموعة البيانات المحدودة تعيق الأداء للمحاصيل الشتوية. تؤكد النتائج على ضرورة وجود مجموعات بيانات موسعة وأكثر تنوعًا مع تعليقات لتحسين قوة النموذج والتعميم. للتخفيف من هذه التحديات، يدعو المؤلفون إلى توسيع تنوع مجموعة البيانات واستخدام أدوات التعليق شبه الآلي، مما يضع YOLOv11 كحل قابل للتوسع لتعزيز الفينوتيبينغ النباتي التلقائي في الزراعة الدقيقة.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الدور الحاسم للفينوتيبينغ النباتي الدقيق في الزراعة الحديثة، لا سيما في سياق تربية المحاصيل، وتحسين الزراعة، والأمن الغذائي في ظل الطلبات العالمية المتزايدة والتحديات البيئية. تبرز أهمية تقسيم وتحديد الأوراق بدقة خلال مراحل التطور المبكر للمحاصيل لمراقبة الصحة، وديناميات النمو، والنضج عبر أنواع المحاصيل المختلفة. تم تحديد طرق الفينوتيبينغ اليدوية التقليدية على أنها تستغرق وقتًا طويلاً وعرضة للأخطاء، مما يجعلها غير كافية لبرامج التربية على نطاق واسع. يتم التأكيد على الحاجة إلى تقنيات الفينوتيبينغ عالية الإنتاجية وغير المدمرة، لا سيما لتقدير مؤشر مساحة الورقة (LAI)، وهو أمر ضروري لتوقع إنتاج المحاصيل وتخصيص الموارد.
تشير الورقة إلى أنه بينما سهلت التقدمات في الذكاء الاصطناعي (AI) ورؤية الكمبيوتر التحليل التلقائي في الفينوتيبينغ النباتي، غالبًا ما تكافح الطرق الحالية مع تباين الظروف الواقعية وتنوع أشكال المحاصيل. تهدف الدراسة إلى التحقيق فيما إذا كانت النماذج المتميزة ضرورية لتقسيم وتحديد الأوراق عبر أنواع المحاصيل المختلفة أو إذا كان نموذج موحد تم تدريبه على مجموعة بيانات متنوعة يمكن أن يؤدي بشكل فعال. يسعى هذا الاستكشاف إلى تعزيز قابلية التكيف وقابلية النقل لنماذج الذكاء الاصطناعي في التطبيقات الزراعية، لا سيما لمراقبة المحاصيل في مراحلها المبكرة وتحليل الأوراق، مما يعزز منهجيات الفينوتيبينغ التلقائي. تم توضيح هيكل الورقة، مع تفاصيل الأقسام التالية التي تغطي مجموعة البيانات، والمنهجية، وتدريب النموذج، والنتائج، والمناقشة، والاستنتاجات.
النتائج
أظهرت تقييمات نماذج تعتمد على YOLOv11 فعاليتها في الكشف عن الأوراق وعدها عبر أنواع المحاصيل المختلفة، بما في ذلك الشعير الربيعي، القمح الربيعي، القمح الشتوي، الجاودار الشتوي، والتريتيكال الشتوي. كانت مقاييس الأداء تركز على دقة الصناديق المحيطة (BBox)، والاستدعاء، ومقاييس التقسيم، التي تم تحليلها باستخدام مجموعات بيانات التحقق الخاصة بكل محصول. تشير النتائج، الموضحة في الأشكال 6 إلى 9 والمختصرة في الجدول 2، إلى أن النماذج حققت معدلات دقة واستدعاء عالية لكل من مهام الصناديق المحيطة ومهام التقسيم عبر جميع أنواع المحاصيل.
على وجه التحديد، أظهرت النماذج أداءً قويًا من حيث متوسط الدقة (mAP) عند عتبات مختلفة، مع مقاييس مثل BBox mAP@50 وmAP@50:95 تعكس دقة النماذج في الكشف عن الأوراق. كشفت التحليلات التفصيلية أن مجموعات البيانات المجمعة تفوقت عمومًا على مجموعات البيانات الفردية، مما يشير إلى أن الاستفادة من مجموعة بيانات أوسع تعزز قدرات الكشف. بشكل عام، تؤكد النتائج على إمكانيات نماذج YOLOv11 للتطبيقات الزراعية، لا سيما في مهام الكشف عن الأوراق وعدها.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على أهمية مجموعة بيانات تم جمعها من خمسة حقول زراعية في جامعة كوبنهاغن، والتي تشمل صورًا لمجموعة متنوعة من المحاصيل تهدف إلى دعم مهام تقسيم الأوراق. تتكون مجموعة البيانات من 907 صورة تدريب و112 صورة اختبار، مع عدم توازن ملحوظ لصالح المحاصيل الربيعية على المحاصيل الشتوية. قدمت التعليقات اليدوية على الأوراق بيانات الحقيقة الأساسية الضرورية، مما سهل تطوير وتقييم نماذج التقسيم. يبرز تنوع مجموعة البيانات في ظروف التصوير، التي تم التقاطها من خلال كل من الروبوتات الزراعية والطائرات بدون طيار، قوتها لمهام التقسيم، لا سيما في تطبيقات الزراعة الدقيقة.
كشفت التحليلات أن بنية YOLOv11 عالجت بفعالية التحديات في الكشف عن الأوراق وعدها، مما أظهر تحسينات في استخراج الميزات والانتباه المكاني من خلال مكونات مثل كتلة C3k2 ووحدة C2PSA. بينما عززت مجموعة البيانات المجمعة عمومًا الأداء، لا سيما لمهام الصناديق المحيطة، أظهرت مهام التقسيم تباينًا، حيث تفوقت مجموعات البيانات الفردية أحيانًا على النهج المدمج. يشير ذلك إلى أن الميزات الخاصة بالمحاصيل قد تتطلب تدريبًا مستهدفًا لتحسين الأداء. يجب أن تركز الأعمال المستقبلية على توسيع مجموعات البيانات المعلّقة واستخدام خطوط أنابيب التعليق شبه الآلي لتحسين تعميم النموذج وقوته عبر ظروف زراعية متنوعة. بشكل عام، تؤكد النتائج على إمكانيات YOLOv11 في تعزيز الفينوتيبينغ النباتي التلقائي، بينما تحدد أيضًا مجالات لمزيد من البحث والتنقيح.
DOI: https://doi.org/10.3390/agriculture15020196
Publication Date: 2025-01-17
Author(s): Ameer Tamoor Khan et al.
Primary Topic: Smart Agriculture and AI
Overview
This study investigates the efficacy of YOLOv11-based models for automated leaf detection and segmentation in various crops, including spring barley, spring wheat, winter wheat, winter rye, and winter triticale. The primary objective is to determine if a unified model trained on a multi-crop dataset can surpass the performance of crop-specific models. The results indicate that the unified model excels in bounding box tasks, achieving a mean Average Precision (mAP) at IoU 0.50 of over 0.85 for spring crops and 0.7 for winter crops. However, segmentation tasks yield mixed outcomes, with some individual models demonstrating higher recall for winter crops, suggesting that while dataset diversity enhances generalization, specialized training may still be beneficial for certain crops.
The study concludes that YOLOv11 is effective for automated leaf detection and counting across both spring and winter crops, utilizing high-resolution images from robots and drones for robust evaluations. Despite high accuracy for spring crops, challenges such as occlusion, lighting variability, and limited dataset sizes hinder performance for winter crops. The findings underscore the necessity for larger, more diverse annotated datasets to enhance model robustness and generalization. To mitigate these challenges, the authors advocate for expanding dataset diversity and employing semi-automated annotation tools, positioning YOLOv11 as a scalable solution for advancing automated plant phenotyping in precision agriculture.
Introduction
The introduction of this research paper emphasizes the critical role of precise plant phenotyping in modern agriculture, particularly in the context of crop breeding, agricultural optimization, and food security amidst growing global demands and environmental challenges. It highlights the importance of accurately segmenting and identifying leaves during early crop development stages to monitor health, growth dynamics, and maturity across various crop types. Traditional manual phenotyping methods are identified as time-consuming and prone to error, making them inadequate for large-scale breeding programs. The need for high-throughput, non-destructive phenotyping techniques is underscored, particularly for estimating the Leaf Area Index (LAI), which is essential for predicting crop yield and resource allocation.
The paper notes that while advancements in artificial intelligence (AI) and computer vision have facilitated automated analysis in plant phenotyping, existing methods often struggle with the variability of real-world conditions and the diversity of crop morphologies. The study aims to investigate whether distinct models are necessary for leaf segmentation and identification across different crop types or if a unified model trained on a diverse dataset can perform effectively. This exploration seeks to enhance the adaptability and transferability of AI models in agricultural applications, particularly for early-stage crop monitoring and leaf analysis, thereby advancing automated phenotyping methodologies. The structure of the paper is outlined, detailing subsequent sections that cover the dataset, methodology, model training, results, discussion, and conclusions.
Results
The evaluation of YOLOv11-based models demonstrated their effectiveness in detecting and counting leaves across various crop types, including spring barley, spring wheat, winter wheat, winter rye, and winter triticale. The performance metrics focused on bounding box (BBox) precision, recall, and segmentation metrics, which were analyzed using validation datasets specific to each crop. The results, illustrated in Figures 6 through 9 and summarized in Table 2, indicate that the models achieved high precision and recall rates for both bounding box and segmentation tasks across all crop types.
Specifically, the models exhibited strong performance in terms of mean Average Precision (mAP) at different thresholds, with metrics such as BBox mAP@50 and mAP@50:95 reflecting the models’ accuracy in detecting leaves. The detailed analysis revealed that the combined datasets generally outperformed individual datasets, suggesting that leveraging a broader dataset enhances detection capabilities. Overall, the findings underscore the potential of YOLOv11-based models for agricultural applications, particularly in leaf detection and counting tasks.
Discussion
The discussion section of the research paper highlights the significance of a dataset collected from five agricultural fields at the University of Copenhagen, which includes images of various crops aimed at supporting leaf segmentation tasks. The dataset comprises 907 training and 112 testing images, with a notable imbalance favoring spring crops over winter crops. Manual annotations of leaves provided essential ground truth data, facilitating the development and evaluation of segmentation models. The dataset’s diversity in imaging conditions, captured through both agricultural robots and drones, underscores its robustness for segmentation tasks, particularly in precision agriculture applications.
The analysis revealed that the YOLOv11 architecture effectively addressed challenges in leaf detection and counting, showcasing improvements in feature extraction and spatial attention through components like the C3k2 block and C2PSA module. While the combined dataset generally enhanced performance, particularly for bounding box tasks, segmentation tasks exhibited variability, with individual datasets sometimes outperforming the combined approach. This indicates that crop-specific features may require targeted training to optimize performance. Future work should focus on expanding annotated datasets and employing semi-automated annotation pipelines to improve model generalization and robustness across diverse agricultural conditions. Overall, the findings emphasize the potential of YOLOv11 in advancing automated plant phenotyping, while also identifying areas for further research and refinement.