كيف تستخدم SOWIT تقنية Ultralytics YOLO لتحقيق زراعة أكثر ذكاءً

تجمع SOWIT بين علم الزراعة والهندسة والبرمجيات لمساعدة المزارع في اتخاذ قرارات أفضل بناءً على بيانات الحقول. تستخدم إحدى تطبيقاتها العملية اكتشاف الكائنات Ultralytics YOLO لتقدير محصول الحمضيات من الصور، مما يحل محل العملية اليدوية البطيئة بسير عمل رؤية حاسوبية قابل للتكرار.

يُظهر هذا المشروع كيف يمكن للرؤية الحاسوبية المدعومة بالذكاء الاصطناعي دعم القطاع الزراعي عندما يتم تصميمها لمعالجة مشكلة تشغيلية محددة: جمع صور ممثلة، اكتشاف الثمار باستمرار، وتحويل عمليات الاكتشاف تلك إلى معلومات يمكن لفرق العمل في المزرعة الاستفادة منها في التخطيط.

التحدي: تقدير المحاصيل عبر بستان واسع النطاق#

عملت SOWIT مع مزرعة حمضيات تقع بين مراكش وأمينتانوت في المغرب. على مساحة تُقدر بحوالي 180 هكتاراً، كان تقدير عدد الثمار على الأشجار أمراً بالغ الأهمية لتخطيط الحصاد، وتوزيع العمالة، والمبيعات، والخدمات اللوجستية.

يعتمد تقدير المحصول التقليدي على قيام الأشخاص بعدّ الثمار يدوياً من الأشجار المُستخلصة كعينات واستقراء النتائج لتشمل كامل البستان. قد يكون هذا النهج مكلفاً ومستهلكاً للوقت، وقد تختلف النتائج بين المراقبين. وعندما تكون التقديرات متأخرة أو غير متسقة، تمتلك المزارع معلومات أقل موثوقية للتفاوض مع المشترين وإعداد الموارد اللازمة للحصاد.

احتاجت SOWIT إلى طريقة يمكنها العمل باستخدام المعدات التي يمتلكها المزارعون بالفعل، والاندماج في عمليات الحقول، وإنتاج نتائج متسقة دون الحاجة إلى عدّ كل ثمرة يدوياً.

لماذا اختارت SOWIT نموذج Ultralytics YOLO#

قامت SOWIT بناء الحل الأصلي باستخدام YOLOv5. تعالج نماذج YOLO الصورة في تمريرة استدلال واحدة وتُعيد موقع وفئة كل كائن مُكتشف. في هذه الحالة، تكون الكائنات عبارة عن ثمار فردية على الشجرة.

يُعد اكتشاف الكائنات مناسباً تماماً لهذه المشكلة لأن النظام يجب ألا يقتصر على تحديد ما إذا كانت الثمرة موجودة أم لا. بل يجب عليه تحديد مواقع عدة ثمار في الصورة نفسها لكي يتم عدّ الاكتشافات. كما أن الاستدلال الكفء يجعل من العملي معالجة العديد من صور الحقول دون إدخال تأخير طويل في مسار العمل.

يُعد النموذج جزءاً واحداً من نظام أوسع. كما يعتمد تقدير المحصول الموثوق على بيانات تدريب ممثلة، والتقاط صور بشكل متسق، وأخذ عينات مناسبة، والتحقق من الصحة في ظل الظروف الموجودة في البستان. يمكن أن تؤثر الإضاءة، والأوراق، والحجب، وحجم الثمرة، وزاوية الكاميرا، و صنف المحصول على الأداء.

كيف يعمل مسار عمل SOWIT#

دمجت SOWIT النموذج في تطبيقها SOYFIELD، مما يوفر للمزارعين عملية مُرشدة لجمع المعلومات اللازمة لتقديم التقدير.

1. تحديد القطعة الزراعية#

يختار المستخدم قطعة أرض المزرعة، ويحدد حدودها على الخريطة، ويسجل المعلومات ذات الصلة مثل نوع المحصول، وعدد الأشجار، وممارسات الزراعة. يربط هذا السياق كل عينة صورة بالجزء الصحيح من المزرعة.

2. اختيار أشجار ممثلة#

يحدد التطبيق عدد الأشجار التي يجب أخذ عينات منها لتحقيق هامش الخطأ المستهدف. يساعد خطط أخذ العينات المنظمة في تقليل التحيز ويجعل النتائج أكثر قابلية للمقارنة عبر القطع والمواسم المختلفة.

3. التقاط الصور#

يقوم المستخدم بتصوير الجهة الأمامية والخلفية لكل شجرة خاضعة للعينات. يحسن التقاط كلا الجانبين التغطية في الأماكن التي تحجب فيها الأوراق أو الفروع أو الثمار الأخرى أجزاءً من المظلة النباتية.

4. اكتشاف الثمار وعدّها#

تُرسل الصور لإجراء الاستدلال. يحدد نموذج YOLO الثمار الفردية، ويقوم التطبيق بتحويل تلك الاكتشافات إلى أعداد للأشجار الخاضعة للعينات.

5. تقدير المحصول#

تُدمج أعداد العينات مع معلومات القطعة لتقدير المحصول عبر البستان. ويمكن لفرق المزرعة بعد ذلك استخدام النتيجة لإفادة التخطيط التجاري والتشغيلي.

وصف يوسف صریدي، المدير التقني لمزرعة Mfruits، القيمة العملية للتطبيق قائلاً: “ساعدنا استخدام تطبيق SOWIT في تقدير محاصيلنا بدقة وفي الوقت المناسب وبدقة عالية، مع توفير موارد الحقل.”

القيمة التشغيلية لفرق المزرعة#

لا تلغي الرؤية الحاسوبية الحاجة إلى الخبرة الزراعية، بل تمنح تلك الخبرة أداة قياس أسرع وأكثر اتساقاً.

• تقديرات أكثر قابلية للتكرار: يقلل مسار عمل الصور والعينات المحدد من التباين بين العدّادين الأفراد.
• عدد يدوي أقل: يمكن للفرق قضاء وقت أقل في فحص كل شجرة وقتاً أطول في التصرف بناءً على المعلومات الناتجة.
• تخطيط أبكر: يمكن للتقديرات في الوقت المناسب دعم جدولة الحصاد، وتوظيف العمالة، والنقل، والتخزين، ومناقشات المبيعات.
• عملية بيانات قابلة لإعادة الاستخدام: تشكل الصور ونتائج النموذج أساساً لتقييم الأداء بمرور الوقت وتحسين النظام كلما تغيرت ظروف الحقل.

تعتمد هذه الفوائد على الحفاظ على جودة النموذج. ينبغي على الفرق تقييم الدقة بناءً على البيانات الواردة من المزارع حيث سيعمل النظام، ومراجعة حالات الفشل، وإعادة التدريب عندما تتغير المحاصيل، أو المواسم، أو الكاميرات، أو ظروف التشغيل.

من YOLOv5 إلى نماذج Ultralytics YOLO الحديثة اليوم#

تم تطوير مشروع SOWIT باستخدام YOLOv5، وهو نموذج مهم في تطور عائلة Ultralytics YOLO. لا يزال مسار العمل الأساسي ذو صلة: إعداد مجموعة بيانات ممثلة، تدريب نموذج اكتشاف الكائنات، التحقق من صحته مقابل ظروف التشغيل الحقيقية، ونشره داخل تطبيق يحل مشكلة مستخدم واضحة.

بالنسبة للمشاريع الجديدة، يُعد Ultralytics YOLO26 أحدث نموذج مستقر ونقطة البداية الموصى بها. يمكن للفرق مقارنة أحجام النماذج وتنسيقات التصدير لاختيار التوازن بين الدقة، ووقت الاستجابة، وتوافق الأجهزة الذي يناسب نشر الحقول، أو الحوسبة الطرفية، أو السحابة بشكل أفضل.

إدارة دورة حياة الرؤية الحاسوبية باستخدام Ultralytics Platform#

توفر Ultralytics Platform مساحة عمل واحدة لنقل مشروع الذكاء الاصطناعي للرؤية من مرحلة البيانات إلى الإنتاج. يمكن لفريق يبني تطبيقاً زراعياً استخدام المنصة من أجل:

• الحصول على مجموعات بيانات الصور وتنظيمها.
• وضع التعليقات التوضيحية على البيانات وتسريع عملية وضع العلامات باستخدام التعليق التلقائي.
• تدريب نماذج Ultralytics YOLO في السحابة أو على البنية التحتية المحلية.
• مراجعة مقاييس النموذج ومقارنة التجارب.
• نشر النماذج لأغراض الاستدلال عبر الأهداف المدعومة.
• مراقبة مسارات عمل الإنتاج والاستمرار في تحسين النموذج باستخدام بيانات الحقل الجديدة.

تكتسب دورة الحياة هذه أهمية لأن البيئات الزراعية ليست ثابتة. فقد يواجه النموذج الذي تم تدريبه على بستان أو موسم معين أصنافاً مختلفة، أو طقساً، أو إضاءة، أو مراحل نمو، أو أجهزة كاميرا لاحقاً. إن الحفاظ على ارتباط مجموعات البيانات والتجارب وع عمليات النشر والمراقبة يجعل إدارة تلك التغييرات أسهل.

بناء رؤية حاسوبية عملية للزراعة#

تبدأ أقوى مشاريع الرؤية الحاسوبية بالقرار التشغيلي الذي تحتاج إلى تحسينه. في حالة SOWIT، لم يكن الهدف ببساطة هو اكتشاف الثمار في صورة، بل كان إنتاج تقدير للمحصول في الوقت المناسب يمكن للمزارعين استخدامه.

ينبغي على الفرق التي تخطط لأنظمة مماثلة تحديد طريقة أخذ العينات، ومقاييس النجاح، وبيئة الاستدلال، وعملية المراجعة البشرية قبل التوسيع. كما يجب عليهم الاختبار في ظل ظروف حقلية واقعية، بما في ذلك الإضاءة الصعبة والثمار المحجوبة جزئياً، والتأكد من أن عملية النشر تعمل مع الاتصال والأجهزة المتاحة.

يوضح عمل SOWIT كيف يمكن لـ Ultralytics YOLO ترجمة صور الحقول إلى معلومات زراعية مفيدة. مع نماذج YOLO الحديثة و Ultralytics Platform التي تدعم دورة حياة الرؤية الحاسوبية بالكامل، يمكن للفرق البناء على هذا النمط لتطوير أنظمة رؤية حاسوبية قابلة للصيانة للمزارع وغيرها من البيئات الواقعية.

Explore Ultralytics Platform لبدء بناء وإدارة سير عمل الرؤية الحاسوبية الخاص بك.