Cách SOWIT Sử dụng Ultralytics YOLO cho Nông nghiệp Thông minh Hơn

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

Dự án cho thấy thị giác máy tính (vision AI) 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 trái cây nhất quán và biến các kết quả phát hiện đó thành thông tin mà các nhóm nông trại có thể sử dụng cho việc lập kế hoạch.

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

SOWIT đã làm việc với một trang trại trồng cây có múi nằm giữa Marrakech và Imintanout, Maroc. Trên diện tích khoảng 180 hécta, việc ước tính số lượng quả trên cây là điều cần thiết cho việc lên kế hoạch thu hoạch, phân bổ lao động, tiêu thụ và hậu cần.

Việc ước tính sản lượng truyền thống phụ thuộc vào việc con người thủ công đếm quả trên các cây mẫu và ngoại suy kết quả trên toàn bộ vườn cây. Cách tiếp cận đó có thể tốn kém và mất thời gian, đồng thời kết quả có thể khác nhau giữa các người quan sát. Khi các ước tính đến muộn hoặc không nhất quán, các trang trại sẽ có ít thông tin đáng tin cậy hơn để đàm phán với người mua và chuẩn bị các nguồn lực cần thiết cho việc thu hoạch.

SOWIT cần một phương pháp có thể hoạt động với các thiết bị mà nông dân đã có sẵn, phù hợp với các hoạt động thực địa và mang lại kết quả nhất quán mà không đòi hỏi mọi quả phải được đếm bằng tay.

Tại sao SOWIT lựa chọn Ultralytics YOLO#

SOWIT đã xây dựng giải pháp ban đầu với YOLOv5. Các model YOLO xử lý một hình ảnh trong một lượt suy luận duy nhất và trả về vị trí cũng như nhãn của từng đối tượng được phát hiện. Đối với trường hợp sử dụng này, các đối tượng là từng quả riêng lẻ trên cây.

Phát hiện đối tượng rất phù hợp với bài toán này vì hệ thống phải làm nhiều việc hơn là chỉ quyết định xem quả có xuất hiện hay không. Nó phải định vị nhiều quả trong cùng một hình ảnh để các kết quả phát hiện có thể được đếm. Quá trình suy luận hiệu quả cũng giúp việc xử lý nhiều hình ảnh thực địa trở nên thiết thực mà không làm chậm trễ quy trình vận hành.

Model chỉ là một phần trong một hệ thống lớn hơn. Việc ước tính sản lượng đáng tin cậy cũng phụ thuộc vào dữ liệu huấn luyện mang tính đại diện, việc chụp ảnh nhất quán, lấy mẫu thích hợp và xác thực trong các điều kiện có trong vườn cây. Ánh sáng, tán lá, sự che khuất, kích thước quả, góc máy ảnh và giống cây trồng đều có thể ảnh hưởng đến hiệu suất.

Cách thức hoạt động của quy trình SOWIT#

SOWIT đã tích hợp model vào ứng dụng SOYFIELD của mình, 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 khu vực trồng#

Người dùng chọn khu vực trang trại, lập bản đồ ranh giới và ghi lại thông tin liên quan như loại cây trồng, số lượng cây và phương pháp canh tác. Ngữ cảnh này liên kết từng mẫu hình ảnh với đúng phần tương ứng của trang trại.

2. Chọn các cây đại diện#

Ứng dụng xác định số lượng cây cần được lấy mẫu để đáp ứng giới hạn sai số mục tiêu. Kế hoạch lấy mẫu có cấu trúc giúp giảm thiểu sai lệch và làm cho kết quả có tính so sánh cao hơn giữa các khu vực và các mùa vụ.

3. Chụp ảnh#

Người dùng chụp ảnh mặt trước và mặt sau của mỗi cây được lấy mẫu. Việc chụp cả hai mặt giúp cải thiện độ bao phủ ở những nơi lá, cành hoặc các quả khác che khuất các phần của tán cây.

4. Phát hiện và đếm quả#

Các hình ảnh được gửi đi để suy luận. Model YOLO nhận diện từng quả riêng lẻ và ứng dụng chuyển đổi các kết quả phát hiện đó thành số lượng cho các cây được lấy mẫu.

5. Ư ước tính sản lượng#

Số lượng lấy mẫu được kết hợp với thông tin khu vực trồng để ước tính sản lượng trên toàn bộ vườn cây. Các nhóm trang trại sau đó có thể sử dụng kết quả này để cung cấp thông tin cho việc lập kế hoạch thương mại và vận hành.

Youssef Sridi, giám đốc kỹ thuật của trang trại Mfruits, đã mô tả giá trị thực tế của ứng dụng: “Việc sử dụng ứng dụng của SOWIT đã giúp chúng tôi ước tính chính xác sản lượng của mình, một cách kịp thời với độ chính xác cao, đồng thời tiết kiệm các nguồn lực tại hiện trường.”

Giá trị vận hành cho các nhóm trang trại#

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

• Các ước tính có thể lặp lại nhiều lần hơn: Quy trình lấy mẫu và hình ảnh được xác định rõ ràng giúp giảm thiểu sự sai lệch giữa các người đếm riêng lẻ.
• Ít phải đếm thủ công hơn: Các nhóm có thể dành ít thời gian hơn để kiểm tra từng cây và có nhiều thời gian hơn để hành động dựa trên thông tin thu được.
• Lập kế hoạch sớm hơn: Các ước tính kịp thời có thể hỗ trợ việc lên lịch thu hoạch, bố trí nhân sự, vận chuyển, lưu trữ và các cuộc thảo luận bán hàng.
• Quy trình dữ liệu có thể tái sử dụng: Hình ảnh và kết quả từ model tạo ra nền tảng để đánh giá hiệu suất theo thời gian và cải thiện hệ thống khi các điều kiện thực tế thay đổi.

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

Từ YOLOv5 đến các model Ultralytics YOLO hiện nay#

Dự án của SOWIT được phát triển với YOLOv5, một model quan trọng trong sự tiến hóa của dòng họ Ultralytics YOLO. Quy trình cơ bản vẫn giữ nguyên giá trị: chuẩn bị một tập dữ liệu đại diện, huấn luyện một model phát hiện đối tượng, xác thực nó dựa trên các điều kiện vận hành thực tế và triển khai nó bên trong một ứng dụng giải quyết rõ ràng vấn đề của người dùng.

Đối với các dự án mới, Ultralytics YOLO26 là model ổn định mới nhất và là điểm khởi đầu được khuyến nghị. Các nhóm có thể so sánh các kích thước model và định dạng xuất để chọn mức cân bằng giữa độ chính xác, độ trễ và khả năng tương thích phần cứng phù hợp nhất với việc triển khai tại thực địa, edge hoặc đám mây.

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

Ultralytics Platform cung cấp một không gian làm việc duy nhất để chuyển một dự án vision AI từ dữ liệu sang môi trường production. Nhóm phát triển ứng dụng nông nghiệp có thể sử dụng Platform để:

• Tìm kiếm và tổ chức các tập dữ liệu hình ảnh.
• Gắn nhãn dữ liệu và tăng tốc quá trình gán nhãn với tính năng tự động gắn nhãn (auto-annotation).
• Huấn luyện các model Ultralytics YOLO trên đám mây hoặc trên cơ sở hạ tầng cục bộ.
• Xem xét các chỉ số của model và so sánh các thí nghiệm.
• Triển khai các model để suy luận trên các mục tiêu được hỗ trợ.
• Giám sát các quy trình vận hành production và tiếp tục cải tiến model với dữ liệu thực địa mới.

Vòng đời này rất quan trọng vì môi trường nông nghiệp không tĩnh lặng. Một model được huấn luyện trên một vườn cây hoặc một mùa vụ có thể gặp phải các giống cây, thời tiết, ánh sáng, giai đoạn sinh trưởng hoặc thiết bị máy ảnh khác nhau sau đó. Việc giữ cho các tập dữ liệu, thí nghiệm, việc triển khai và giám sát được kết nối giúp việc quản lý những thay đổi đó trở nên dễ dàng hơn.

Xây dựng AI thị giác thực tế cho nông nghiệp#

Các dự án thị giác máy tính mạnh mẽ nhất bắt đầu bằng quyết định vận hành mà chúng cần cải thiện. Trong trường hợp của SOWIT, mục tiêu không đơn thuần là phát hiện quả trong một hình ảnh; mà là tạo ra một ước tính sản lượng kịp thời mà nông dân có thể sử dụng.

Các nhóm lên kế hoạch cho các hệ thống tương tự nên xác định phương pháp lấy mẫu, các chỉ số thành công, môi trường suy luận và quy trình đánh giá của con người trước khi mở rộng quy mô. Họ cũng nên thử nghiệm trong các điều kiện thực tế, bao gồm ánh sáng khó khăn và quả bị che khuất một phần, đồng thời xác nhận rằng việc triển khai hoạt động tốt với kết nối và phần cứng có sẵn.

Công việc của SOWIT minh họa cách Ultralytics YOLO có thể chuyển đổi hình ảnh thực địa thành thông tin nông nghiệp hữu ích. 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 đó để phát triển các hệ thống AI thị giác có thể bảo trì cho các trang trại và các môi trường thế giới thực khác.

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