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 اكتشاف الأجسام من Ultralytics YOLO لتقدير محصول الحمضيات من الصور، مستبدلًا عملية يدوية بطيئة بسير عمل متكرر للرؤية الحاسوبية.

يوضح المشروع كيف يمكن للذكاء الاصطناعي البصري دعم الزراعة عندما يُصمم لمعالجة مشكلة تشغيلية محددة: جمع صور ممثلة، واكتشاف الثمار باستمرار، وتحويل عمليات الاكتشاف إلى معلومات تستطيع فرق المزارع استخدامها في التخطيط.

التحدي: تقدير المحصول في بستان واسع#

عملت SOWIT مع مزرعة للحمضيات تقع بين مراكش وإمنتانوت في المغرب. وعلى مساحة تقارب 180 هكتارًا، كان تقدير عدد الثمار على الأشجار أمرًا أساسيًا للتخطيط للحصاد وتوزيع العمالة والمبيعات والخدمات اللوجستية.

يعتمد تقدير المحصول التقليدي على عدّ الأشخاص للثمار يدويًا في أشجار مختارة ثم تعميم النتائج على البستان. وقد تكون هذه الطريقة مكلفة وتستغرق وقتًا طويلًا، كما قد تختلف النتائج من شخص إلى آخر. وعندما تتأخر التقديرات أو تكون غير متسقة، تقل موثوقية المعلومات المتاحة للمزارع للتفاوض مع المشترين والاستعداد بالموارد اللازمة للحصاد.

احتاجت SOWIT إلى طريقة تعمل باستخدام المعدات المتاحة للمزارعين، وتندمج في العمليات الميدانية، وتنتج نتائج متسقة من دون الحاجة إلى عدّ كل ثمرة يدويًا.

لماذا اختارت SOWIT تقنية Ultralytics YOLO#

طوّرت SOWIT الحل الأصلي باستخدام Ultralytics YOLOv5. تعالج نماذج YOLO الصورة في تمريرة استدلال واحدة، وتعيد موقع كل كائن مكتشف وفئته. وفي حالة الاستخدام هذه، تتمثل الكائنات في ثمار منفردة على شجرة.

يلائم اكتشاف الأجسام هذه المشكلة جيدًا، لأن النظام لا يكتفي بتحديد ما إذا كانت الثمار موجودة أم لا؛ بل يجب أن يحدد مواقع ثمار متعددة في الصورة نفسها كي يتسنى عدّها. كما يجعل الاستدلال الفعال معالجة أعداد كبيرة من الصور الميدانية عمليةً، من دون إدخال تأخير طويل في سير العمل.

النموذج جزء من نظام أوسع. ويتوقف تقدير المحصول الموثوق أيضًا على بيانات تدريب ممثلة، والتقاط الصور بطريقة متسقة، وأخذ عينات مناسب، والتحقق من الأداء في الظروف الموجودة في البستان. ويمكن أن تؤثر الإضاءة وأوراق الشجر والحجب وحجم الثمار وزاوية الكاميرا ونوع المحصول كلها في الأداء.

آلية عمل سير العمل لدى SOWIT#

دمجت SOWIT النموذج في تطبيق SOYFIELD، موفرةً للمزارعين عملية إرشادية لجمع المعلومات اللازمة لإعداد التقدير.

1. تحديد القطعة#

يختار المستخدم قطعة الأرض الزراعية، ويرسم حدودها، ويسجل المعلومات ذات الصلة مثل نوع المحصول وعدد الأشجار وممارسات الزراعة. ويربط هذا السياق كل عينة صور بالجزء الصحيح من المزرعة.

2. اختيار أشجار ممثلة#

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

3. التقاط الصور#

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

4. اكتشاف الثمار وعدّها#

تُرسل الصور للاستدلال. ويحدد نموذج YOLO الثمار الفردية، ثم يحول التطبيق عمليات الاكتشاف هذه إلى أعداد لل أشجار التي أُخذت منها العينات.

5. تقدير المحصول#

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

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

القيمة التشغيلية لفرق المزارع#

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

• تقديرات أكثر قابلية للتكرار: يقلل اتباع سير عمل محدد للتصوير وأخذ العينات من التباين بين الأشخاص الذين يعدّون الثمار.
• تقليل العد اليدوي: يمكن للفرق تقليل الوقت الذي تقضيه في فحص كل شجرة والتركيز أكثر على الاستفادة من المعلومات الناتجة.
• التخطيط المبكر: يمكن أن تدعم التقديرات في الوقت المناسب جدولة الحصاد وتحديد العمالة والنقل والتخزين ومناقشات المبيعات.
• عملية بيانات قابلة لإعادة الاستخدام: توفر 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 باستخدام بيانات من المزارع التي سيعمل فيها النظام، ومراجعة حالات الإخفاق، 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 مناسبًا: إعداد مجموعة بيانات ممثلة، وتدريب نموذج لاكتشاف الأجسام، والتحقق من أدائه في ظروف التشغيل الفعلية، ونشره ضمن تطبيق يحل مشكلة واضحة للمستخدم.

للمشاريع الجديدة، يُعد Ultralytics YOLO26 أحدث نموذج مستقر ونقطة البداية الموصى بها. ويمكن للفرق مقارنة أحجام النماذج وتنسيقات التصدير لاختيار التوازن بين الدقة وزمن الاستجابة والتوافق مع الأجهزة، بما يلائم عمليات النشر الميدانية أو الطرفية أو السحابية.

إدارة دورة حياة الرؤية الحاسوبية باستخدام Ultralytics Platform#

توفر Ultralytics Platform مساحة عمل واحدة لنقل مشروع ذكاء اصطناعي بصري من البيانات إلى الإنتاج. ويمكن لفريق يبني تطبيقًا زراعيًا استخدام Platform من أجل:

• الحصول على مجموعات بيانات الصور وتنظيمها.
• ضع تسميات للبيانات وسرّع عملية وسمها باستخدام وضع التسميات التلقائي.
• درّب 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 أهميتها لأن البيئات الزراعية ليست ثابتة. فقد يواجه النموذج المدرّب على بستان أو موسم واحد أصنافًا أو أحوالًا جوية أو إضاءة أو مراحل نمو أو أجهزة كاميرا مختلفة لاحقًا. ويسهّل ربط مجموعات البيانات والتجارب وعمليات النشر والمراقبة إدارة هذه التغييرات.

بناء حلول عملية للذكاء الاصطناعي البصري في الزراعة#

تبدأ أقوى مشاريع الرؤية الحاسوبية بالقرار التشغيلي الذي تسعى إلى تحسينه. وفي حالة SOWIT، لم يكن الهدف مجرد اكتشاف الثمار في صورة، بل تقديم تقدير للمحصول في الوقت المناسب ليستفيد منه المزارعون.

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

يوضح عمل SOWIT كيف يمكن لـ Ultralytics YOLO تحويل الصور الميدانية إلى معلومات زراعية مفيدة. ومع نماذج YOLO الحديثة وUltralytics Platform الداعمة لدورة حياة الرؤية الحاسوبية بأكملها، يمكن للفرق الاستفادة من هذا النهج لتطوير أنظمة ذكاء اصطناعي للرؤية سهلة الصيانة للمزارع وغيرها من البيئات الواقعية.

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