DOI: https://doi.org/10.3389/fpls.2025.1738496
PMID: https://pubmed.ncbi.nlm.nih.gov/41573228
تاريخ النشر: 2026-01-07
المؤلف: Jincan Zhu وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث نموذج YOLO-RSTS، وهو نموذج متقدم للتجزئة مصمم لتعزيز دقة تحديد مناطق رش المواد الحافظة ومحفزات الإيثيلين على أشجار المطاط. يعتمد هذا النموذج على إطار عمل YOLOv12n-Seg ويشمل ثلاثة وحدات مبتكرة: CrossScaleDSC لتحسين نمذجة الاعتماد على المدى الطويل، CG-Attention لقمع الضوضاء الخلفية، وC2f-DSC لاستخراج الميزات متعددة المقاييس بكفاءة. بالإضافة إلى ذلك، يدمج النموذج RFCAConv وDWConv لتعزيز التنوع المكاني وتقليل التعقيد الحسابي.
تشير النتائج التجريبية إلى أن YOLO-RSTS يتفوق بشكل كبير على نموذج YOLOv12n الأساسي، محققًا زيادة بنسبة 6.3% في الدقة (من 0.819 إلى 0.882)، وزيادة بنسبة 6.3% في متوسط الدقة عند IoU 0.50 (mAP0.50) (من 0.788 إلى 0.851)، وزيادة بنسبة 8.1% في الاسترجاع (من 0.740 إلى 0.821)، بينما يقلل أيضًا من عدد المعلمات بنسبة 14.5%. مقارنةً بنموذج YOLOv13n الأحدث، يظهر YOLO-RSTS تحسينات بنسبة 6.1% في الدقة، و11.8% في الاسترجاع، و4.2% في mAP0.50، إلى جانب تقليل بنسبة 3.7% في المعلمات. تم التحقق من متانة النموذج من خلال الاختبار على مجموعة بيانات عبر المناطق والمواسم، مما يؤكد قدراته القوية على التعميم. بشكل عام، يُظهر YOLO-RSTS الدقة والكفاءة والموثوقية اللازمة للنشر العملي في إدارة مزارع المطاط، مما يسهل أنظمة الرش الآلي ويعزز الممارسات الزراعية المستدامة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية المطاط الطبيعي، المستخرج من Hevea brasiliensis، كبيبوليمر حيوي حيوي في مختلف الصناعات، مما يساهم في النمو الاقتصادي والتنمية المستدامة في الدول المصدرة الرئيسية. في عام 2023، بلغ الطلب العالمي على المطاط الطبيعي حوالي 14.82 مليون طن، مع قيمة سوقية متوقعة تبلغ 19.5 مليار دولار أمريكي بحلول عام 2024 ومعدل نمو سنوي مركب (CAGR) يبلغ 4.72% من 2025 إلى 2033. أصبحت البرازيل موردًا مهيمنًا، حيث تمثل حوالي 40% من السوق العالمية، مما يبرز الأهمية المتزايدة لإنتاج المطاط في الاقتصاديات الاستوائية. ومع ذلك، لا تزال التحديات مثل إنتاج اللاتكس وإدارة صحة الأشجار قائمة، مما يستلزم استخدام عوامل إطلاق الإيثيلين وعلاجات مضادة للفطريات لتعزيز إنتاج اللاتكس ومنع العدوى.
لمعالجة هذه التحديات، يتم استكشاف التقدم في الأتمتة الزراعية والذكاء الاصطناعي، وخاصة من خلال أنظمة الرش الدقيقة التي تستخدم رؤية الآلة للتطبيقات المستهدفة. بينما أظهرت تقنية الطائرات بدون طيار وعدًا، توفر الروبوتات المتنقلة للرش الأرضي تكيفًا أكبر مع البيئات المعقدة لمزارع المطاط. على الرغم من التقدم في أنظمة الرش الذكية، لا تزال هناك قضايا تتعلق بحدود مجموعة البيانات والاحتياجات المحددة لإدارة أشجار المطاط. تقترح هذه الدراسة تطوير نموذج تجزئة جديد، YOLO-RSTS، مصمم لتحسين دقة رش مضادات الفطريات وتحفيز الإيثيلين في مزارع المطاط. يتضمن النموذج وحدات مبتكرة لتعزيز استخراج الميزات والوعي السياقي، بهدف تحسين دقة التجزئة بشكل كبير ودعم أتمتة إدارة مزارع اللاتكس. تشمل المساهمات الرئيسية مجموعة بيانات متخصصة، ونموذج YOLO-RSTS، ونتائج تجريبية تظهر تحسينات في مقاييس الأداء مقارنة بالنماذج الحالية.
طرق
تحدد قسم الطرق سير العمل لتطوير نموذج تجزئة مصمم خصيصًا لمناطق رش أشجار المطاط، كما هو موضح في الشكل 1. تبدأ العملية بالحصول على صور ضوئية عالية الدقة، والتي تخضع لخطوات معالجة مسبقة تشمل إزالة الضوضاء، والتعزيز، والدوران لتعزيز التنوع وتعميم النموذج. ثم يتم وضع علامات على الصور باستخدام أداة AnyLabeling لتحديد مناطق المحفزات والمواد الحافظة على جذوع أشجار المطاط، مما يحدد تسميات دقيقة للحقيقة الأرضية لتدريب نموذج التجزئة YOLO-RSTS. هذا النموذج، وهو تحسين لهندسة YOLOv12n-Seg، مصمم خصيصًا لاستخراج دقيق لمناطق الرش، مما ينتج خرائط تجزئة دقيقة تسهل التعرف والتحليل في بيئات المزارع الحقيقية.
يتضمن نموذج YOLO-RSTS عدة تعديلات معمارية لتحسين تمثيل الميزات وكفاءة الحساب. بشكل ملحوظ، يتم استبدال الطبقات التلافيفية التقليدية بطبقات RFCAConv لالتقاط معلومات النسيج التفصيلية، بينما يتم دمج وحدات CrossScaleDSC وCG-Attention لتعزيز دمج الميزات متعددة المقاييس ونمذجة السياق العالمي. بالإضافة إلى ذلك، يتم استخدام التلافيف القابلة للفصل حسب العمق (DWConv) لتقليل تعقيد النموذج دون التضحية بدقة التجزئة. شمل الإعداد التجريبي التدريب والاختبار على وحدات معالجة الرسوميات NVIDIA Tesla P100 ضمن بيئة Python 3.11 باستخدام PyTorch 2.2، مع تكوينات محددة لحجم الدفعة، ومعدل التعلم، وتقنيات تعزيز البيانات. تهدف هذه المقاربة الشاملة إلى تحسين دقة التجزئة لمناطق رش أشجار المطاط، مما يظهر قدرة النموذج على التكيف مع القوام المعقد وتباينات الإضاءة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطوير وفعالية ثلاث وحدات مبتكرة—CrossScaleDSC، CG-Attention، وC2f-DSC—مصممة لتعزيز مهام التجزئة، خاصة في الكشف عن مناطق رش المطاط. تستخدم وحدة CrossScaleDSC التلافيف القابلة للفصل حسب العمق (DSC)، وهياكل Bottleneck، والاتصالات المختصرة لتقليل التعقيد الحسابي مع الحفاظ على دقة عالية. من خلال فصل عمليات التلافيف إلى مراحل عمق ونقطة، تعالج الوحدة الميزات بكفاءة وتحافظ على المعلومات الأساسية على مستوى منخفض، وهو أمر حاسم لتجزئة المناطق الصغيرة والمعقدة بدقة.
تتناول وحدة CG-Attention تحدي دمج السياق الدلالي العالمي مع التفاصيل المحلية من خلال الجمع بين تحليل المكونات الرئيسية للقناة (CPCA) وآلية الانتباه العالمية (GAM). تعزز هذه المقاربة المزدوجة قدرة النموذج على التركيز على الميزات ذات الصلة من خلال ضبط أوزان الانتباه ديناميكيًا بناءً على علاقات القناة والمعلومات المكانية، مما يؤدي إلى تحسين أداء التجزئة في الظروف المعقدة. أخيرًا، تقدم وحدة C2f-DSC تصميمًا متعدد المسارات يلتقط كل من الميزات العالمية والمحلية من خلال التلافيف القابلة للفصل حسب العمق وفروع التلافيف الخفيفة، مما يوازن بشكل فعال بين استخراج المعلومات متعددة المقاييس التفصيلية مع تقليل الحمل الحسابي. بشكل جماعي، تعزز هذه الوحدات بشكل كبير أداء نموذج YOLO-RSTS في تجزئة مناطق رش المطاط، مما يظهر دقة وموثوقية متفوقة في ظروف الحقل المتنوعة.
DOI: https://doi.org/10.3389/fpls.2025.1738496
PMID: https://pubmed.ncbi.nlm.nih.gov/41573228
Publication Date: 2026-01-07
Author(s): Jincan Zhu et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents YOLO-RSTS, an advanced segmentation model designed to enhance the precision of identifying preservative and ethylene stimulant spraying areas on rubber trees. This model builds upon the YOLOv12n-Seg framework and incorporates three innovative modules: CrossScaleDSC for improved long-range dependency modeling, CG-Attention for background noise suppression, and C2f-DSC for efficient multi-scale feature extraction. Additionally, the model integrates RFCAConv and DWConv to enhance spatial diversity and reduce computational complexity.
Experimental results indicate that YOLO-RSTS significantly outperforms the baseline YOLOv12n, achieving a 6.3% increase in Precision (from 0.819 to 0.882), a 6.3% increase in mean Average Precision at IoU 0.50 (mAP0.50) (from 0.788 to 0.851), and an 8.1% increase in Recall (from 0.740 to 0.821), while also reducing the parameter count by 14.5%. Compared to the newer YOLOv13n, YOLO-RSTS shows improvements of 6.1% in Precision, 11.8% in Recall, and 4.2% in mAP0.50, alongside a 3.7% reduction in parameters. The model’s robustness is further validated through testing on a cross-regional and cross-seasonal dataset, confirming its strong generalization capabilities. Overall, YOLO-RSTS demonstrates the accuracy, efficiency, and reliability necessary for practical deployment in rubber plantation management, facilitating automated spraying systems and promoting sustainable agricultural practices.
Introduction
The introduction of the research paper highlights the significance of natural rubber, derived from Hevea brasiliensis, as a vital biopolymer in various industries, contributing to economic growth and sustainable development in major exporting countries. In 2023, global demand for natural rubber reached approximately 14.82 million tons, with a projected market value of USD 19.5 billion by 2024 and a compound annual growth rate (CAGR) of 4.72% from 2025 to 2033. Brazil has emerged as a dominant supplier, accounting for about 40% of the global market, which underscores the increasing importance of rubber production in tropical economies. However, challenges such as latex yield and tree health management persist, necessitating the use of ethylene-releasing agents and antifungal treatments to enhance latex production and prevent infections.
To address these challenges, advancements in agricultural automation and artificial intelligence are being explored, particularly through precision spraying systems that utilize machine vision for targeted applications. While drone technology has shown promise, ground-based mobile spraying robots offer greater adaptability to the complex environments of rubber plantations. Despite progress in intelligent spraying systems, issues remain regarding dataset limitations and the specific needs of rubber tree management. This study proposes the development of a novel segmentation model, YOLO-RSTS, designed to improve the accuracy of antifungal and ethylene induction spraying in rubber plantations. The model incorporates innovative modules to enhance feature extraction and contextual awareness, aiming to significantly improve segmentation accuracy and support the automation of latex plantation management. Key contributions include a specialized dataset, the YOLO-RSTS model, and empirical results demonstrating improved performance metrics compared to existing models.
Methods
The methods section outlines the workflow for developing a segmentation model tailored to rubber tree spraying areas, as depicted in Figure 1. The process initiates with the acquisition of high-resolution visible light images, which undergo preprocessing steps including denoising, augmentation, and rotation to enhance diversity and model generalization. The images are then annotated using the AnyLabeling tool to delineate stimulant and preservative regions on rubber tree trunks, establishing precise ground-truth labels for training the YOLO-RSTS segmentation model. This model, an enhancement of the YOLOv12n-Seg architecture, is specifically designed for accurate extraction of spraying regions, generating fine-grained segmentation maps that facilitate recognition and analysis in real plantation settings.
The YOLO-RSTS model incorporates several architectural modifications to improve feature representation and computational efficiency. Notably, conventional convolutional layers are replaced with RFCAConv layers to capture detailed texture information, while CrossScaleDSC and CG-Attention modules are integrated to enhance multi-scale feature fusion and global context modeling. Additionally, depthwise separable convolutions (DWConv) are utilized to reduce model complexity without sacrificing segmentation precision. The experimental setup involved training and testing on NVIDIA Tesla P100 GPUs within a Python 3.11 environment using PyTorch 2.2, with specific configurations for batch size, learning rate, and data augmentation techniques. This comprehensive approach aims to optimize the segmentation accuracy for rubber tree spraying areas, demonstrating the model’s adaptability to complex textures and lighting variations.
Discussion
The discussion section of the research paper highlights the development and effectiveness of three innovative modules—CrossScaleDSC, CG-Attention, and C2f-DSC—designed to enhance segmentation tasks, particularly in rubber spraying area detection. The CrossScaleDSC module employs Depthwise Separable Convolutions (DSC), Bottleneck structures, and Shortcut Connections to reduce computational complexity while maintaining high accuracy. By separating convolution operations into depthwise and pointwise stages, the module efficiently processes features and preserves essential low-level information, which is critical for accurately segmenting small and complex regions.
The CG-Attention module addresses the challenge of integrating global semantic context with local details by combining Channel Principal Component Analysis Attention (CPCA) and Global Attention Mechanism (GAM). This dual approach enhances the model’s ability to focus on relevant features by dynamically adjusting attention weights based on channel relationships and spatial information, leading to improved segmentation performance in complex conditions. Lastly, the C2f-DSC module introduces a multi-path design that captures both global and local features through depthwise separable convolutions and lightweight convolution branches, effectively balancing detailed multi-scale information extraction while minimizing computational overhead. Collectively, these modules significantly enhance the YOLO-RSTS model’s performance in rubber spraying area segmentation, demonstrating superior accuracy and robustness in diverse field conditions.