كيف تستخدم SOWIT تقنية Ultralytics YOLO لزراعة أكثر ذكاءً

تجمع SOWIT بين علم الزراعة والهندسة والبرمجيات لمساعدة المزارع على اتخاذ قرارات أفضل استنادًا إلى بيانات الحقول. ويستخدم أحد تطبيقاتها العملية تقنية كشف الأجسام من Ultralytics YOLO لتقدير إنتاج الحمضيات من الصور، مستبدلًا عملية يدوية بطيئة بسير عمل متكرر في مجال الرؤية الحاسوبية.

يوضح هذا المشروع كيف يمكن للذكاء الاصطناعي القائم على الرؤية دعم الزراعة عند تصميمه لمعالجة مشكلة تشغيلية محددة: جمع صور تمثيلية، وكشف الثمار باستمرار، وتحويل عمليات الكشف هذه إلى معلومات يمكن لفرق المزارع استخدامها في التخطيط.

التحدي: تقدير الإنتاج في بستان واسع#

تعاونت SOWIT مع مزرعة حمضيات تقع بين مراكش وإمنتانوت في المغرب. وعلى مساحة تقارب 180 هكتارًا، كان تقدير عدد الثمار على الأشجار ضروريًا لتخطيط الحصاد وتوزيع العمالة والمبيعات والخدمات اللوجستية.

يعتمد تقدير الإنتاج التقليدي على عدّ الأشخاص للثمار يدويًا من أشجار مختارة ثم تعميم النتائج على كامل البستان. وقد تكون هذه الطريقة مكلفة وتستغرق وقتًا طويلًا، كما قد تختلف النتائج بين المراقبين. وعندما تكون التقديرات متأخرة أو غير متسقة، تحصل المزارع على معلومات أقل موثوقية للتفاوض مع المشترين وإعداد الموارد اللازمة للحصاد.

احتاجت SOWIT إلى طريقة تعمل باستخدام المعدات المتوفرة لدى المزارعين، وتندمج مع العمليات الميدانية، وتنتج نتائج متسقة دون الحاجة إلى عدّ كل ثمرة يدويًا.

لماذا اختارت SOWIT تقنية Ultralytics YOLO#

طورت SOWIT الحل الأصلي باستخدام Ultralytics YOLOv5. تعالج نماذج YOLO الصورة في تمريرة استدلال واحدة، وتُرجع موقع كل جسم مكتشف وفئته. وفي حالة الاستخدام هذه، تتمثل الأجسام في الثمار الفردية الموجودة على الشجرة.

يناسب كشف الأجسام هذه المشكلة جيدًا لأن النظام يجب أن يفعل أكثر من مجرد تحديد وجود الثمار. إذ يجب أن يحدد مواقع ثمار متعددة في الصورة نفسها حتى يمكن عدّ عمليات الكشف. كما يجعل الاستدلال الفعال من العملي معالجة العديد من الصور الميدانية دون إدخال تأخير طويل في سير العمل.

لا يمثل النموذج سوى جزء من نظام أوسع. ويعتمد تقدير الإنتاج الموثوق أيضًا على بيانات تدريب تمثيلية، والتقاط متسق للصور، وأخذ عينات مناسب، والتحقق في ظل الظروف الموجودة في البستان. ويمكن أن يؤثر كل من الإضاءة، وأوراق الشجر، والحجب، وحجم الثمار، وزاوية الكاميرا، وتنوع المحصول في الأداء.

كيف يعمل سير عمل SOWIT#

دمجت SOWIT النموذج في تطبيق SOYFIELD، ما وفر للمزارعين عملية موجّهة لجمع المعلومات اللازمة لإجراء التقدير.

1. تحديد القطعة#

يحدد المستخدم قطعة المزرعة، ويرسم حدودها، ويسجل معلومات ذات صلة مثل نوع المحصول وعدد الأشجار وممارسات الزراعة. ويربط هذا السياق كل عينة صورة بالجزء الصحيح من المزرعة.

2. اختيار الأشجار التمثيلية#

يحدد التطبيق عدد الأشجار التي ينبغي أخذ عينات منها لتحقيق هامش الخطأ المستهدف. وتساعد خطة أخذ العينات المنظمة على تقليل التحيز وجعل النتائج أكثر قابلية للمقارنة بين القطع والمواسم.

3. التقاط الصور#

يلتقط المستخدم صورًا للجهتين الأمامية والخلفية لكل شجرة مختارة. ويساعد التقاط الجهتين على تحسين التغطية عندما تحجب الأوراق أو الأغصان أو الثمار الأخرى أجزاءً من المجموع الخضري.

4. كشف الثمار وعدّها#

تُرسل الصور لإجراء الاستدلال. ويحدد نموذج YOLO الثمار الفردية، ثم يحوّل التطبيق عمليات الكشف هذه إلى أعداد للأشجار المختارة.

5. تقدير الإنتاج#

تُدمج أعداد العينات مع معلومات القطعة لتقدير الإنتاج في كامل البستان. ويمكن لفرق المزرعة بعد ذلك استخدام النتيجة لتوجيه التخطيط التجاري والتشغيلي.

وصف يوسف صريدي، المدير التقني لمزرعة Mfruits، القيمة العملية للتطبيق قائلًا: «ساعدنا استخدام تطبيق SOWIT على تقدير إنتاجنا بدقة وفي الوقت المناسب وبدرجة عالية من الدقة، مع توفير موارد العمل الميداني.»

القيمة التشغيلية لفرق المزارع#

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

• تقديرات أكثر قابلية للتكرار: يقلل سير عمل محدد للصور وأخذ العينات من التباين بين القائمين على العد.
• تقليل العد اليدوي: يمكن للفرق قضاء وقت أقل في فحص كل شجرة ووقت أكبر في اتخاذ الإجراءات استنادًا إلى المعلومات الناتجة.
• التخطيط المبكر: يمكن للتقديرات في الوقت المناسب دعم جدولة الحصاد، وتوفير الموظفين، والنقل، والتخزين، ومناقشات المبيعات.
• عملية بيانات قابلة لإعادة الاستخدام: تنشئ الصور ونتائج النموذج أساسًا لتقييم الأداء بمرور الوقت وتحسين النظام مع تغير الظروف الميدانية.

تعتمد هذه الفوائد على الحفاظ على جودة النموذج. وينبغي للفرق تقييم الدقة على بيانات من المزارع التي سيعمل فيها النظام، ومراجعة حالات الفشل، وإعادة التدريب عند تغير المحاصيل أو المواسم أو الكاميرات أو ظروف التشغيل.

من YOLOv5 إلى نماذج Ultralytics YOLO الحالية#

طُوّر مشروع SOWIT باستخدام YOLOv5، وهو نموذج مهم في تطور عائلة Ultralytics YOLO. ولا يزال سير العمل الأساسي ذا صلة: إعداد مجموعة بيانات تمثيلية، وتدريب نموذج لكشف الأجسام، والتحقق منه في ظروف التشغيل الفعلية، ونشره داخل تطبيق يحل مشكلة واضحة للمستخدم.

بالنسبة إلى المشاريع الجديدة، تُعد Ultralytics YOLO26 أحدث النماذج المستقرة ونقطة البداية الموصى بها. ويمكن للفرق مقارنة أحجام النماذج وتنسيقات التصدير لاختيار التوازن بين الدقة وزمن الاستجابة وتوافق الأجهزة، بما يلائم نشر النموذج في الميدان أو على الحافة أو في السحابة.

إدارة دورة حياة الرؤية الحاسوبية باستخدام Ultralytics Platform#

توفر Ultralytics Platform مساحة عمل واحدة لنقل مشروع ذكاء اصطناعي قائم على الرؤية من البيانات إلى الإنتاج. ويمكن لفريق يطور تطبيقًا زراعيًا استخدام Platform من أجل:

• الحصول على مجموعات بيانات الصور وتنظيمها.
• إضافة التعليقات التوضيحية إلى البيانات وتسريع وضع العلامات باستخدام التعليق التلقائي.
• تدريب نماذج Ultralytics YOLO في السحابة أو على البنية التحتية المحلية.
• مراجعة مقاييس النموذج ومقارنة التجارب.
• نشر النماذج للاستدلال على الأهداف المدعومة.
• مراقبة سير العمل في الإنتاج ومواصلة تحسين النموذج باستخدام بيانات ميدانية جديدة.

تكتسب دورة الحياة هذه أهمية لأن البيئات الزراعية ليست ثابتة. فقد يواجه نموذج دُرّب على بستان أو موسم واحد أصنافًا أو طقسًا أو إضاءة أو مراحل نمو أو أجهزة كاميرا مختلفة لاحقًا. ويجعل إبقاء مجموعات البيانات والتجارب وعمليات النشر والمراقبة مترابطة إدارة هذه التغييرات أسهل.

بناء ذكاء اصطناعي عملي قائم على الرؤية للزراعة#

تبدأ أقوى مشاريع الرؤية الحاسوبية بالقرار التشغيلي الذي تحتاج إلى تحسينه. وفي حالة SOWIT، لم يكن الهدف مجرد كشف الثمار في صورة، بل إنتاج تقدير للإنتاج في الوقت المناسب يمكن للمزارعين استخدامه.

ينبغي للفرق التي تخطط لأنظمة مماثلة تحديد طريقة أخذ العينات، ومقاييس النجاح، وبيئة الاستدلال، وعملية المراجعة البشرية قبل التوسع. كما ينبغي لها الاختبار في ظروف ميدانية واقعية، بما في ذلك الإضاءة الصعبة والثمار المحجوبة جزئيًا، والتأكد من أن النشر يعمل مع الاتصال والأجهزة المتاحة.

يوضح عمل SOWIT كيف يمكن لتقنية Ultralytics YOLO تحويل الصور الميدانية إلى معلومات زراعية مفيدة. ومع دعم نماذج YOLO الحديثة وUltralytics Platform لدورة حياة الرؤية الحاسوبية الكاملة، يمكن للفرق البناء على هذا النهج لتطوير أنظمة ذكاء اصطناعي قائم على الرؤية وقابلة للصيانة للمزارع وغيرها من البيئات الواقعية.

استكشف Ultralytics Platform لبدء بناء سير عمل الرؤية الحاسوبية الخاص بك وإدارته.