Айыл чарба зыянкечтери түшүм жоготууларынын эң маанилүү себептеринин бири. Салттуу ыкмаларда дыйкандар же адистер талааны кыдырып, жалбырактарды, тузактарды жана өсүмдүктөгү зыянкеч белгилерин текшеришет. Бул ыкма дагы деле баалуу болгону менен, убакытты талап кылат, чоң аянттарда кыйын жана эрте эскертүү берүүдө жетишсиз болушу мүмкүн.

Бул preprint изилдөө өсүмдүк зыянкечтерин тезирээк аныктоо үчүн RGB камера сүрөттөрүн программалык түрдө түзүлгөн pseudo-thermal сүрөттөр менен бириктирген жасалма интеллект системасын сунуштайт. Система чыныгы термалдык камера колдонбостон RGB сүрөттөн термалдыкка окшош көрүнүш түзөт. Андан соң бул бириккен сүрөттөр YOLOv12 объект аныктоо модели менен иштетилет.

Изилдөөдө ак чымын, коңуз жана күбө класстарын камтыган 7.774 белгиленген сүрөт колдонулган. Модель зыянкечтин түрүн, сүрөттөгү ордун, санын жана ишеним упайын чыгарууга аракет кылат. Натыйжаларда %87,1 mAP, %88,3 precision жана %80,7 recall маанилери кабарланган. Бул көрсөткүчтөр ыкма классикалык RGB негизиндеги моделдерге караганда күчтүүрөөк болушу мүмкүн экенин көрсөтөт.

Бирок изилдөө preprint болгондуктан этият окуу керек. Мындан тышкары, pseudo-thermal сүрөт чыныгы термалдык маалымат эмес; ал RGB сүрөттөн алынган термалдыкка окшош көрсөтүү гана. Туман, жаан, аз жарык, жабылып калуу, жалбырак тамырлары жана суу тамчылары сыяктуу шарттарда каталар болушу мүмкүн.

Көйгөй Эмне?

Айыл чарбасында зыянкечтерди эрте байкоо түшүм жоготуусун азайтуу үчүн өтө маанилүү. Зыянкечтердин тыгыздыгы эрте аныкталса, күрөшүү иштери максаттуу жана көзөмөлдүү жүргүзүлүшү мүмкүн. Болбосо зыян көбөйүп, түшүм жоготуу өсөт жана көп учурда көбүрөөк химиялык кийлигишүү талап кылынат.

Бирок талаада зыянкечти аныктоо практикада кыйын. Зыянкечтер кичинекей болушу, жалбырактын түсүнө аралашып кетиши, көлөкөдө калышы же жалбырактын астына жашынышы мүмкүн. Айрыкча ак чымын сыяктуу майда зыянкечтер татаал фондо оңой эле байкалбай калышы мүмкүн. Кол менен текшерүү болсо чоң аянттарда жай, чарчаткан жана адамга көз каранды.

Акыркы жылдары RGB камера сүрөттөрү менен жасалма интеллектке негизделген зыянкеч аныктоо системалары иштелип чыгууда. Бирок RGB сүрөткө гана таянган системалар аз жарык, көлөкө, татаал фон, жабылып калуу жана зыянкечтин өсүмдүк бетине окшош түстө болушу сыяктуу шарттарда иштөөсүн начарлатышы мүмкүн.

Термалдык сүрөттөө айрым шарттарда объекттерди аныгыраак көрсөтүшү мүмкүн. Бирок чыныгы термалдык камералар кымбат жана чакан-орто дыйкандар үчүн кеңири жайылтуу кыйын болушу мүмкүн. Мындан тышкары, термалдык сенсорлор, IoT инфраструктурасы жана талаа орнотуусу чыгымды көбөйтөт.

Бул макаланын негизги суроосу мындай: чыныгы термалдык камераны колдонбостон, RGB сүрөттөн гана алынган термалдыкка окшош өзгөчөлүктөр менен зыянкечти аныктоону арзаныраак жана күчтүүрөөк кылууга болобу?

Ыкма Эмне Сунуштайт?

Изилдөө RGB–pseudo-thermal сүрөт фузиясына негизделген зыянкеч аныктоо системасын сунуштайт.

Биринчи кадамда стандарттуу RGB жалбырак же өсүмдүк сүрөтү алынат. Бул сүрөт кадимки камера, телефон камерасы же талаа камерасы сыяктуу жеткиликтүү жабдуудан келиши мүмкүн. Андан кийин ошол эле сүрөт боз түскө өткөрүлүп, термалдык картага окшош боёо колдонулат. Бул процесс чыныгы температураны өлчөбөйт; сүрөттүн интенсивдүүлүктөрүн гана термалдыкка окшош түс мейкиндигине айландырат.

Экинчи кадамда RGB сүрөт менен pseudo-thermal сүрөт бириктирилет. Максат RGBнин текстура жана түс маалыматын pseudo-thermal көрсөтүүнүн контрастты күчөтүүчү таасири менен бирге колдонуу. Ошентип модель майда, камуфляждалган же жарым-жартылай жабылган зыянкечтерди жакшыраак аныктасын деген максат коюлат.

Үчүнчү кадамда YOLOv12 объект аныктоо архитектурасы колдонулат. YOLO үй-бүлөсү сүрөттөгү объекттерди бир өтүүдө табууга аракет кылган тез объект аныктоо моделдери менен белгилүү. Бул изилдөөдө модель зыянкечтин классын, сүрөттөгү bounding box ордун, ишеним упайын жана зыянкеч санын чыгарууга үйрөтүлөт.

Төртүнчү кадамда система колдонуучу интерфейсине туташтырылат. Макалада Streamlit негизиндеги интерфейс иштелип чыкканы айтылат. Бул интерфейс сүрөт жүктөө, жандуу камера киргизүүсү, аныктоо натыйжасын көрсөтүү, зыянкечти саноо, эскертүү чыгаруу жана JSON отчет түзүү сыяктуу практикалык мүмкүнчүлүктөрдү берет.

Бул ыкманын негизги дооматы — кымбат термалдык жабдуусуз байыраак сүрөт өкүлчүлүгүн алуу жана зыянкеч аныктоону реалдуу убакытка жакын, арзан жана талаада колдонууга ылайыктуураак кылуу.

Формулалар Эмнени Түшүндүрөт?

Макаладагы формулалар сүрөт кантип өзгөртүлөрүн жана модель кантип чечим чыгарарын жөнөкөй түрдө түшүндүрөт.

Биринчи маанилүү формула RGB сүрөттү боз түскө айландыруу. Бул процессте кызыл, жашыл жана көк каналдар ар башка салмак менен бириктирилет. Адамдын көзү жашыл каналга сезгичирээк болгондуктан, жашыл канал жогорураак салмак алат. Ошентип ар бир пиксел үчүн бир жарыктык мааниси алынат.

Андан кийин бул боз сүрөт термалдыкка окшош түс картасына айландырылат. Макалада OpenCVнин COLORMAP_INFERNO ыкмасы жөнүндө айтылат. Бул процесс чыныгы температура маалыматын чыгарбайт, бирок караңгы-жарык аймактарды термалдык сүрөткө окшош түстөр менен көрсөтүп, айрым контраст айырмаларын көрүнүктүүрөөк кылышы мүмкүн.

Дагы бир формула RGB жана pseudo-thermal сүрөттөрдү аралаштырууга тиешелүү. Изилдөөдө эки сүрөт теңме-тең салмакта бириктирилген фузия ыкмасы колдонулат. Ошентип чыныгы түс/текстура маалыматы да, термалдыкка окшош контраст маалыматы да моделдин киришине берилет.

YOLO тарабында колдонулган loss функциясы моделге үч нерсени бир убакта үйрөнүүгө мүмкүндүк берет: объекттин ордун туура кутулоо, объект бар же жок экенин түшүнүү жана туура классты тандоо. Box loss жайгашуу катасын; object loss зыянкечтин бар экенине болгон ишенимди; class loss болсо ак чымын, коңуз же күбө сыяктуу классты божомолдоону билдирет.

Bounding box формулалары модель берген борбор координатасы жана кутунун туурасы-бийиктиги маанилеринен сол үстүңкү жана оң астыңкы бурч координаталары кантип эсептелерин көрсөтөт. Ошентип зыянкеч сүрөттө кызыл куту менен белгиленет.

График / Таблица / Схеманын Негизги Мааниси

Макаладагы системанын архитектура схемасы RGB сүрөт pseudo-thermal сүрөт менен бириктирилип, андан кийин YOLOv12 моделине берилерин көрсөтөт. Схеманын негизги мааниси — система бир сүрөттөн эки башка өкүлчүлүк түзүп, аларды бириктирүү аркылуу зыянкеч аныктоону күчөтүүгө аракет кылат.

Үлгү маалымат сүрөттөрү AgriPest-7774 маалымат топтомунда ак чымын, коңуз жана күбө үлгүлөрү белгиленгенин көрсөтөт. Бул сүрөттөрдүн негизги мааниси — модель лабораториялык чийме же толугу менен жасалма сүрөттөр менен эмес, талаа шарттарынан алынган чыныгы сүрөттөр менен үйрөтүлгөн.

Маалымат бөлүштүрүү таблицасы ак чымын классы маалымат топтомунда эң чоң үлүшкө ээ экенин көрсөтөт. Ак чымын 3.200 сүрөт менен маалымат топтомунун болжол менен %41 бөлүгүн түзөт, ал эми коңуз жана күбө класстары азыраак берилген. Бул модель ак чымын боюнча көбүрөөк үлгү көрүшүнө, азыраак берилген класстарда болсо жалпылоо тобокелдигинин өсүшүнө алып келиши мүмкүн.

Модель көрсөткүчтөрүнүн таблицасы сунушталган ыкма кол менен текшерүү, RGB + deep learning, thermal + IoT, Faster R-CNN, VGG16 жана ResNet50 сыяктуу ыкмалар менен салыштырылганын көрсөтөт. Сунушталган YOLOv12 RGB–pseudo-thermal ыкмасы %87,1 mAP менен эң жогорку көрсөткүчтү кабарлайт. Бирок бул салыштыруу маалымат топтомдору жана үйрөтүү шарттары боюнча кантип стандартташтырылганы кылдат каралышы керек.

Зыянкечтерден болгон түшүм жоготуу графиги күрүч, буудай жана жүгөрүдө зыянкечтер олуттуу жоготуу алып келиши мүмкүн экенин визуалдаштырат. Негизги мааниси — зыянкеч аныктоо жөн гана техникалык computer vision көйгөйү эмес, азык-түлүк коопсуздугу жана түшүм жоготуу жагынан да маанилүү.

Үйрөтүү loss графиктери модель 100 epoch бою үйрөнүп жатканда box, class жана object жоготуулары азайганын көрсөтөт. Бул модель үйрөтүү маалыматтарындагы зыянкечтин ордун жана классын үйрөнө алганын билдирет.

mAP өнүгүү графиги модель үйрөтүү учурунда орточо тактыгын жогорулатып, акырында %87,1 чамасында туруктуу абалга жеткенин көрсөтөт. Бул модель үйрөтүү процессинде белгилүү деңгээлдеги көрсөткүчкө жеткенин билдирет.

Pseudo-thermal аныктоо сүрөтү ак чымын термалдыкка окшош көрүнүштө белгиленип, ишеним упайы менен көрсөтүлгөнүн түшүндүрөт. Бул сүрөттүн негизги мааниси — система классты гана божомолдобойт, зыянкечтин сүрөттөгү ордун да куту менен көрсөтөт.

Ката талдоо сүрөттөрү болсо изилдөөнүн эң маанилүү бөлүктөрүнүн бири. Жалбырактын тамырлары, суу тамчылары же фон текстуралары кээде зыянкеч катары кабыл алынышы мүмкүн. Жарым-жартылай жабылган зыянкечтер өткөрүлүп кетиши мүмкүн. Бул система практикада дагы кылдат текшерүүнү талап кыларын көрсөтөт.

Эксперименттер Кантип Жүргүзүлгөн?

Изилдөөдө 7.774 белгиленген айыл чарба зыянкеч сүрөтүнөн турган маалымат топтому колдонулган. Сүрөттөр чыныгы талаа шарттарынан чогултулуп, ак чымын, коңуз жана күбө болуп үч негизги зыянкеч классына бөлүнгөн. Сүрөттөр Roboflow куралы менен куту жана класс белгиси берилген түрдө белгиленген.

Маалымат топтому үйрөтүү жана текшерүү бөлүктөрүнө бөлүнгөн. Сүрөттөр YOLOv12 киришине ылайык 640 × 640 пиксел өлчөмүнө келтирилген. Үйрөтүүдө COCO алдын ала үйрөтүлгөн салмактары колдонулганы айтылат. Бул модель жалпы объект өзгөчөлүктөрүн мурда үйрөнгөн баштапкы чекиттен айыл чарба зыянкечтерин аныктоого ылайыкташтырылганын билдирет.

RGB сүрөттөрдөн pseudo-thermal сүрөттөр түзүлгөн. Бул үчүн сүрөт адегенде боз түскө өткөрүлүп, андан соң термалдыкка окшош түс картасы колдонулган. Андан кийин RGB жана pseudo-thermal өкүлчүлүктөр бириктирилип, моделдин киришине берилген.

Модель 100 epoch бою үйрөтүлгөн. Үйрөтүү процессинде box loss, class loss жана object loss төмөндөгөнү кабарланган. Бул жоготуулардын азайышы модель зыянкечтерди такыраак жайгаштырууну жана классификациялоону үйрөнгөнүн көрсөтөт.

Көрсөткүчтөр mAP, precision жана recall маанилери менен бааланган. mAP модель ар башка ишеним чектеринде жана жайгашуу тактыгы деңгээлдеринде канчалык ийгиликтүү аныктоо жасаганын көрсөтөт. Precision модель “зыянкеч бар” деген учурлардын канчасы туура экенин; recall болсо чыныгы зыянкечтердин канчасын таба алганын билдирет.

Система ошондой эле Streamlit негизиндеги интерфейс менен сыналган. Бул интерфейсте сүрөт жүктөө, аныктоо натыйжасын көрүү, зыянкечтин ордун кызыл кутулар менен белгилөө, ишеним упайын көрсөтүү, JSON отчетун жүктөп алуу жана үн/визуалдык эскертүү чыгаруу функциялары бар.

Натыйжалар Эмнени Көрсөтөт?

Изилдөөдө сунушталган YOLOv12 RGB–pseudo-thermal системасы %87,1 mAP, %88,3 precision жана %80,7 recall маанилерине жеткен. Бул натыйжалар система маалымат топтомундагы зыянкечтерди аныктоодо күчтүү көрсөткүч көрсөткөнүн билдирет.

Класс боюнча ак чымын, коңуз жана күбө үчүн mAP маанилери бири-бирине жакын деп кабарланган. Бул модель бир эле класска ашыкча багытталбаганын көрсөтүшү мүмкүн, бирок маалымат топтомунда ак чымын басымдуу болгондуктан азыраак берилген түрлөрдө кошумча текшерүү керек.

Салыштыруу таблицаларында сунушталган система RGB негизиндеги deep learning ыкмаларынан, VGG16, ResNet50 жана Faster R-CNN сыяктуу моделдерден жогорураак көрсөткүч бергени айтылат. Ошондой эле чыныгы термалдык сенсор же IoT системасын колдонбостон арзан жана реалдуу убакытта иштей ала турган чечим катары сунушталат.

Pseudo-thermal фузия айрыкча майда жана камуфляждалган зыянкечтерди көрүнүктүүрөөк кылууга жардам берет деп айтылат. Бирок бул пункт этият чечмелениши керек, анткени pseudo-thermal чыныгы температура маалыматы эмес. Ал RGB сүрөттүн өзгөртүлгөн түрү. Ошондуктан чыныгы термалдык сенсор бере турган физикалык температура маалыматына барабар эмес.

Ката талдоосу система дагы айрым шарттарда кыйнала турганын көрсөтөт. Жалбырак тамырлары, топурак текстурасы же суу тамчылары кээде зыянкеч катары кабыл алынышы мүмкүн. Жалбырактын астында жарым-жартылай калган же сүрөттө майда көрүнгөн зыянкечтер өткөрүлүп кетиши мүмкүн. Жаан, туман, чаң жана аз жарык сыяктуу шарттар системанын ишеним упайын төмөндөтүшү мүмкүн.

Бул Эмне Үчүн Маанилүү?

Айыл чарбасында зыянкечтерди эрте аныктоо түшүм жоготуусун азайтуу жана керексиз химиялык колдонууга жол бербөө үчүн маанилүү. Эгер зыянкечтердин тыгыздыгы эрте жана туура аныкталса, кийлигишүү максаттуу жүргүзүлүшү мүмкүн. Бул өндүрүүчүнүн чыгымын да, экологиялык жүктү да азайтышы мүмкүн.

Бул изилдөө кымбат термалдык камераларсыз байыраак сүрөт өкүлчүлүгүн түзүү идеясын сынайт. Эгер бул ыкма ар башка өсүмдүктөрдө, ар башка зыянкечтерде жана чыныгы талаа шарттарында күчтүү түрдө текшерилсе, арзан эрте эскертүү системалары үчүн практикалык жол ача алат.

Айрыкча чакан дыйкандар же орто көлөмдөгү чарбалар үчүн кымбат IoT инфраструктуралары жана термалдык камералар жеткиликтүү болбой калышы мүмкүн. RGB камерасына негизделген, программалык камсыздоо менен колдоого алынган жана реалдуу убакытта иштей алган системалар бул жагынан колдонууга ылайыктуураак көрүнүшү мүмкүн.

Мындан тышкары, Streamlit сыяктуу жөнөкөй интерфейс менен натыйжаларды колдонуучуга көрсөтүү академиялык модель менен талаадагы колдонуу ортосундагы ажырымды азайтат. Дыйкан же техникалык кызматкер модель чыгышын гана эмес, зыянкечтин түрүн, ордун, ишеним упайын, санын жана эскертүүнү көрө алат.

Көңүл Буруучу Жагдайлар

Бул макала preprint болуп саналат; рецензиядан өтө элек. Ошондуктан натыйжаларды акыркы айыл чарба чечим системасы катары көрсөтүүгө болбойт.

Pseudo-thermal сүрөт чыныгы термалдык сүрөт эмес. Чыныгы термалдык камера объекттердин температура айырмасын өлчөйт. Бул изилдөөдөгү pseudo-thermal ыкма RGB сүрөттүн жарыктык жана түс маалыматынан термалдыкка окшош сүрөт түзөт. Ошондуктан физикалык температура маалыматын толук алмаштыра албайт.

Маалымат топтомунда ак чымын классы басымдуу. Бул модель айрым класстарда жакшыраак, азыраак берилген класстарда начарыраак жалпылоого алып келиши мүмкүн. Тең салмактуу, көп аймактуу, көп сезондуу жана көбүрөөк зыянкеч түрүн камтыган маалымат топтомдору керек.

Талаа шарттары өтө өзгөрмөлүү. Жаан, туман, чаң, шамал, кыймылдан бүдөмүктөнүү, камеранын төмөн чечилиштиги, туура эмес бурч, жалбырактардын бири-бирин жаап калышы жана көлөкөлөр моделдин көрсөткүчүнө таасир этиши мүмкүн.

Модель false positive жана false negative чыгарышы мүмкүн. False positive учурда система зыянкеч эмес текстураны зыянкеч катары белгилеши мүмкүн. False negative учурда болсо чыныгы зыянкечти өткөрүп жибериши мүмкүн. Ошондуктан мындай системаларды түз автоматтык дары чачуу чечимин берген система катары эмес, адистин көзөмөлүн колдогон эрте эскертүү куралы катары кароо керек.

Салыштырылган ыкмалардын баары бирдей маалымат топтомунда жана бирдей эксперимент шарттарында бааланганбы же жокпу, натыйжаларды ишенимдүү чечмелөө үчүн маанилүү. Макаладагы көрсөткүч салыштыруулары үмүттөндүргөнү менен, көз карандысыз маалымат топтомдорунда кайталанышы керек.

Жыйынтык

Бул изилдөө айыл чарба зыянкечтерин сүрөт аркылуу аныктоодо арзан жана реалдуу убакытка жакын ыкма сунуштайт. RGB сүрөттөрдөн pseudo-thermal өкүлчүлүктөрдү түзүү чыныгы термалдык камерасыз моделге кошумча визуалдык контраст берүү идеясына негизделет. YOLOv12 менен бириктирилгенде система ак чымын, коңуз жана күбө сыяктуу зыянкечтерди жогорку тактыкта аныктай алганын кабарлайт.

Эң көңүл бура турган жагы — система академиялык модель бойдон калбастан, Streamlit интерфейси аркылуу сүрөт жүктөө, жандуу талдоо, эскертүү чыгаруу жана отчет түзүү сыяктуу практикалык мүмкүнчүлүктөргө багытталган. Бул так айыл чарбасында жасалма интеллектти талаага жакындатуу жагынан маанилүү кадам.

Бирок коопсуз түшүндүрмө мындай болушу керек: бул система зыянкечти аныктоодо күчтүү талапкер, бирок чыныгы термалдык сүрөттү толук алмаштырбайт жана түз автоматтык дары чачуу чечими үчүн өз алдынча жетиштүү деп эсептелбеши керек. Көбүрөөк өсүмдүк, көбүрөөк зыянкеч түрү, ар башка климаттар, ар башка камера шарттары жана көп сезондуу көз карандысыз тесттер менен текшерүү зарыл.

Булак жана Ыкма Жөнүндө Эскертүү

Бул жазуу “Multimodal Fusion Framework for Automated Crop Infestation Detection” аттуу preprint макаланын негизинде даярдалган. Изилдөө RGB сүрөттөрдөн программалык түрдө түзүлгөн pseudo-thermal өкүлчүлүктөрдү YOLOv12 объект аныктоо архитектурасы менен бириктирип, айыл чарба зыянкечтерин реалдуу убакытта аныктоону максат кылат. Маалымат топтому 7.774 белгиленген сүрөттөн туруп, ак чымын, коңуз жана күбө класстарын камтыйт.

Текст сөзмө-сөз котормо эмес. Макаладагы негизги идея, ыкма, формулалар, графиктер, эксперименттик агым, натыйжалар жана чектөөлөр Verianla окурманы үчүн жөнөкөйлөштүрүлүп, өзгөчө түркчө редакциялык мазмун катары кайра баяндалган. Изилдөө preprint болгондуктан, табылгалар акыркы айыл чарба практикалык кеңеши эмес, көбүрөөк талаа текшерүүсүн талап кылган изилдөө натыйжалары катары бааланууга тийиш.