Cách SOWIT sử dụng Ultralytics YOLO để canh tác thông minh hơn

SOWIT kết hợp nông học, kỹ thuật và phần mềm để giúp các trang trại đưa ra quyết định tốt hơn dựa trên dữ liệu đồng ruộng. Một ứng dụng thực tiễn của SOWIT sử dụng tính năng phát hiện đối tượng của Ultralytics YOLO để ước tính sản lượng cam quýt từ hình ảnh, thay thế quy trình thủ công chậm chạp bằng một quy trình thị giác máy tính có thể lặp lại.

Dự án cho thấy AI thị giác có thể hỗ trợ nông nghiệp như thế nào khi được thiết kế xoay quanh một vấn đề vận hành cụ thể: thu thập hình ảnh đại diện, phát hiện quả nhất quán và chuyển kết quả phát hiện thành thông tin mà các đội ngũ trang trại có thể dùng để lập kế hoạch.

Thách thức: ước tính sản lượng trên một vườn cây ăn quả rộng lớn#

SOWIT hợp tác với một trang trại trồng cam quýt nằm giữa Marrakech và Imintanout, Morocco. Trên diện tích khoảng 180 hecta, việc ước tính số quả trên cây đóng vai trò thiết yếu đối với công tác lập kế hoạch thu hoạch, phân bổ lao động, bán hàng và hậu cần.

Phương pháp ước tính sản lượng truyền thống dựa vào việc nhân công đếm quả thủ công trên các cây được lấy mẫu rồi ngoại suy kết quả cho toàn bộ vườn. Phương pháp này có thể tốn kém và mất thời gian, đồng thời kết quả có thể khác nhau giữa những người quan sát. Khi ước tính bị chậm trễ hoặc thiếu nhất quán, trang trại sẽ có ít thông tin đáng tin cậy hơn để thương lượng với người mua và chuẩn bị nguồn lực cần thiết cho mùa thu hoạch.

SOWIT cần một phương pháp có thể hoạt động với thiết bị mà nông dân đã có, phù hợp với các hoạt động ngoài đồng và tạo ra kết quả nhất quán mà không yêu cầu đếm thủ công từng quả.

Lý do SOWIT chọn Ultralytics YOLO#

SOWIT xây dựng giải pháp ban đầu bằng Ultralytics YOLOv5. Các model YOLO xử lý hình ảnh trong một lượt suy luận duy nhất và trả về vị trí cùng lớp của từng đối tượng được phát hiện. Trong trường hợp sử dụng này, các đối tượng là từng quả trên cây.

Phát hiện đối tượng rất phù hợp với vấn đề này vì hệ thống cần làm nhiều hơn việc xác định liệu có quả hay không. Hệ thống phải xác định vị trí nhiều quả trong cùng một hình ảnh để có thể đếm các đối tượng được phát hiện. Tốc độ suy luận cao cũng giúp xử lý thực tế nhiều hình ảnh ngoài đồng mà không gây chậm trễ đáng kể cho quy trình.

Model chỉ là một phần của hệ thống tổng thể. Việc ước tính sản lượng đáng tin cậy còn phụ thuộc vào dữ liệu huấn luyện có tính đại diện, quy trình chụp ảnh nhất quán, phương pháp lấy mẫu phù hợp và khả năng xác thực trong các điều kiện thực tế tại vườn. Ánh sáng, tán lá, hiện tượng che khuất, kích thước quả, góc camera và giống cây trồng đều có thể ảnh hưởng đến hiệu năng.

Quy trình của SOWIT vận hành như thế nào#

SOWIT tích hợp model vào ứng dụng SOYFIELD, cung cấp cho nông dân một quy trình có hướng dẫn để thu thập thông tin cần thiết cho việc ước tính.

1. Xác định lô đất#

Người dùng chọn lô đất của trang trại, lập bản đồ ranh giới và ghi lại các thông tin liên quan như loại cây trồng, số lượng cây và phương thức canh tác. Thông tin này liên kết từng mẫu ảnh với đúng khu vực của trang trại.

2. Chọn cây đại diện#

Ứng dụng xác định số lượng cây cần lấy mẫu để đạt biên độ sai số mục tiêu. Kế hoạch lấy mẫu có cấu trúc giúp giảm sai lệch và giúp so sánh kết quả giữa các lô đất cũng như các mùa vụ dễ dàng hơn.

3. Chụp ảnh#

Người dùng chụp mặt trước và mặt sau của từng cây được lấy mẫu. Chụp cả hai phía giúp bao quát tốt hơn khi lá, cành hoặc các quả khác che khuất một phần tán cây.

4. Phát hiện và đếm quả#

Hình ảnh được gửi đi để suy luận. Model YOLO xác định từng quả riêng lẻ và ứng dụng chuyển các kết quả phát hiện đó thành số lượng quả trên những cây được lấy mẫu.

5. Ước tính sản lượng#

Số lượng quả trên các cây được lấy mẫu được kết hợp với thông tin về lô đất để ước tính sản lượng trên toàn vườn. Sau đó, các đội ngũ trang trại có thể sử dụng kết quả này để hỗ trợ lập kế hoạch thương mại và vận hành.

Youssef Sridi, giám đốc kỹ thuật của trang trại Mfruits, mô tả giá trị thực tiễn của ứng dụng: “Sử dụng ứng dụng của SOWIT giúp chúng tôi ước tính sản lượng chính xác, kịp thời và có độ chuẩn xác cao, đồng thời tiết kiệm nguồn lực ngoài đồng.”

Giá trị vận hành đối với các đội ngũ trang trại#

Thị giác máy tính không loại bỏ nhu cầu về chuyên môn nông học. Công nghệ này cung cấp cho chuyên môn đó một công cụ đo lường nhanh hơn và nhất quán hơn.

• Ước tính có khả năng lặp lại cao hơn: Quy trình chụp ảnh và lấy mẫu được xác định rõ giúp giảm sự khác biệt giữa những người đếm.
• Giảm đếm thủ công: Các đội ngũ có thể dành ít thời gian hơn để kiểm tra từng cây và nhiều thời gian hơn để hành động dựa trên thông tin thu được.
• Lập kế hoạch sớm hơn: Ước tính kịp thời có thể hỗ trợ lập lịch thu hoạch, bố trí nhân sự, vận chuyển, lưu kho và thảo luận về bán hàng.
• Quy trình dữ liệu có thể tái sử dụng: Hình ảnh và kết quả model tạo nền tảng để đánh giá hiệu năng theo thời gian và cải tiến hệ thống khi điều kiện ngoài đồng thay đổi.

Những lợi ích này phụ thuộc vào việc duy trì chất lượng model. Các đội ngũ nên đánh giá độ chính xác trên dữ liệu từ những trang trại nơi hệ thống sẽ hoạt động, xem xét các trường hợp thất bại và huấn luyện lại khi cây trồng, mùa vụ, camera hoặc điều kiện vận hành thay đổi.

Từ YOLOv5 đến các model Ultralytics YOLO hiện nay#

Dự án của SOWIT được phát triển bằng YOLOv5, một model quan trọng trong quá trình phát triển của dòng Ultralytics YOLO. Quy trình nền tảng vẫn còn phù hợp: chuẩn bị tập dữ liệu có tính đại diện, huấn luyện model phát hiện đối tượng, xác thực model trong điều kiện vận hành thực tế và triển khai model bên trong một ứng dụng giải quyết vấn đề cụ thể của người dùng.

Đối với các dự án mới, Ultralytics YOLO26 là model ổn định mới nhất và là lựa chọn khởi đầu được khuyến nghị. Các nhóm có thể so sánh kích thước model và định dạng xuất để chọn sự cân bằng giữa độ chính xác, độ trễ và khả năng tương thích phần cứng phù hợp nhất với triển khai tại hiện trường, trên thiết bị biên hoặc trên đám mây.

Quản lý vòng đời thị giác máy tính bằng Ultralytics Platform#

Ultralytics Platform cung cấp một workspace duy nhất để đưa dự án AI thị giác từ dữ liệu đến môi trường production. Đội ngũ xây dựng ứng dụng nông nghiệp có thể sử dụng Platform để:

• Thu thập và sắp xếp các tập dữ liệu hình ảnh.
• Gán nhãn dữ liệu và tăng tốc quy trình gán nhãn bằng tự động gán nhãn.
• Huấn luyện model Ultralytics YOLO trên đám mây hoặc trên hạ tầng cục bộ.
• Xem xét các chỉ số của model và so sánh các thử nghiệm.
• Triển khai model để suy luận trên các mục tiêu được hỗ trợ.
• Giám sát quy trình production và tiếp tục cải thiện model bằng dữ liệu mới từ thực địa.

Mấu chốt của vòng đời này là môi trường nông nghiệp không cố định. Một model được huấn luyện trên một vườn cây hoặc trong một mùa vụ có thể gặp các giống cây, điều kiện thời tiết, ánh sáng, giai đoạn sinh trưởng hoặc thiết bị camera khác nhau về sau. Việc kết nối tập dữ liệu, thử nghiệm, triển khai và giám sát giúp quản lý những thay đổi đó dễ dàng hơn.

Xây dựng AI thị giác thực tiễn cho nông nghiệp#

Các dự án thị giác máy tính hiệu quả nhất bắt đầu từ quyết định vận hành cần được cải thiện. Trong trường hợp của SOWIT, mục tiêu không chỉ đơn giản là phát hiện quả trong ảnh mà còn tạo ra ước tính sản lượng kịp thời để nông dân có thể sử dụng.

Các nhóm lập kế hoạch cho những hệ thống tương tự nên xác định phương pháp lấy mẫu, chỉ số thành công, môi trường inference và quy trình đánh giá của con người trước khi mở rộng quy mô. Họ cũng nên kiểm thử trong điều kiện thực tế tại đồng ruộng, bao gồm ánh sáng khó xử lý và trái cây bị che khuất một phần, đồng thời xác nhận rằng hệ thống triển khai hoạt động với kết nối và phần cứng hiện có.

Công việc của SOWIT cho thấy Ultralytics YOLO có thể chuyển đổi hình ảnh thực địa thành thông tin nông nghiệp hữu ích như thế nào. Với các model YOLO hiện đại và Ultralytics Platform hỗ trợ toàn bộ vòng đời thị giác máy tính, các nhóm có thể dựa trên mô hình này để phát triển hệ thống AI thị giác dễ bảo trì cho trang trại và các môi trường thực tế khác.

Khám phá Ultralytics Platform để bắt đầu xây dựng và quản lý quy trình thị giác máy tính của riêng bạn.