Qishloq xo‘jaligi zararkunandalari hosil yo‘qotishlarining eng muhim sabablaridan biridir. An’anaviy usullarda dehqonlar yoki mutaxassislar dalani aylanib, barglar, tuzoqlar va o‘simlikdagi zararkunanda belgilarini tekshiradi. Bu usul hanuz qimmatli bo‘lsa-da, ko‘p vaqt oladi, katta maydonlarda qiyinlashadi va erta ogohlantirish berishda yetarli bo‘lmasligi mumkin.

Ushbu preprint tadqiqot ekin zararkunandalarini tezroq aniqlash uchun RGB kamera tasvirlarini dasturiy ravishda yaratilgan pseudo-thermal tasvirlar bilan birlashtiradigan sun’iy intellekt tizimini taklif qiladi. Tizim haqiqiy termal kamera ishlatmasdan RGB tasvirdan termalga o‘xshash tasvir yaratadi. So‘ng bu birlashtirilgan tasvirlar YOLOv12 obyektni aniqlash modeli bilan qayta ishlanadi.

Tadqiqotda oqkanot, qo‘ng‘iz va kuya sinflarini o‘z ichiga olgan 7.774 ta belgilangan tasvir ishlatilgan. Model zararkunanda turini, tasvirdagi joylashuvini, sonini va ishonch skorini ishlab chiqishga harakat qiladi. Natijalarda %87,1 mAP, %88,3 precision va %80,7 recall qiymatlari qayd etilgan. Bu qiymatlar usul klassik RGB asosidagi modellarga qaraganda kuchliroq bo‘lishi mumkinligini ko‘rsatadi.

Biroq tadqiqot preprint bo‘lgani uchun ehtiyotkorlik bilan o‘qilishi kerak. Bundan tashqari, pseudo-thermal tasvir haqiqiy termal ma’lumot emas; u faqat RGB tasvirdan hosil qilingan termalga o‘xshash ko‘rinishdir. Tuman, yomg‘ir, past yorug‘lik, to‘silish, barg tomirlari va suv tomchilari kabi holatlarda xatolar yuz berishi mumkin.

Muammo Nimada?

Qishloq xo‘jaligida zararkunandalarni erta aniqlash hosil yo‘qotishlarini kamaytirish uchun juda muhim. Zararkunanda zichligi erta aniqlansa, kurash yanada maqsadli va nazoratli olib borilishi mumkin. Aks holda zarar kengayadi, hosil yo‘qotish ortadi va ko‘pincha ko‘proq kimyoviy aralashuv talab etiladi.

Biroq dalada zararkunandalarni aniqlash amalda qiyin. Zararkunandalar kichik bo‘lishi, barg rangiga qo‘shilib ketishi, soyada qolishi yoki barg ostida yashirinishi mumkin. Ayniqsa oqkanot kabi kichik zararkunandalar murakkab fonlarda osongina ko‘zdan qochadi. Qo‘lda tekshirish esa katta maydonlarda sekin, charchatadigan va shaxsga bog‘liq.

So‘nggi yillarda RGB kamera tasvirlari asosida sun’iy intellektga tayangan zararkunanda aniqlash tizimlari ishlab chiqilmoqda. Biroq faqat RGB tasvirga tayangan tizimlar past yorug‘lik, soya, murakkab fon, to‘silish va zararkunandaning o‘simlik sirtiga o‘xshash rangda bo‘lishi kabi sharoitlarda samaradorlikni yo‘qotishi mumkin.

Termal tasvirlash ayrim sharoitlarda obyektlarni aniqroq ko‘rsatishi mumkin. Ammo haqiqiy termal kameralar qimmat va kichik hamda o‘rta fermerlar uchun keng tarqalishi qiyin bo‘lishi mumkin. Bundan tashqari, termal sensorlar, IoT infratuzilmasi va dala o‘rnatilishi xarajatni oshiradi.

Ushbu maqolaning asosiy savoli shunday: haqiqiy termal kamera ishlatmasdan, faqat RGB tasvirdan yaratilgan termalga o‘xshash xususiyatlar bilan zararkunanda aniqlashni arzonroq va kuchliroq qilish mumkinmi?

Usul Nimani Taklif Qiladi?

Tadqiqot RGB–pseudo-thermal tasvirlar fuzioniga asoslangan zararkunanda aniqlash tizimini taklif qiladi.

Birinchi bosqichda standart RGB barg yoki ekin tasviri olinadi. Bu tasvir oddiy kamera, telefon kamerasi yoki dala kamerasi kabi mavjud qurilmalardan olinishi mumkin. So‘ng ayni tasvir kulrang tonlarga o‘tkazilib, termal xaritaga o‘xshash ranglash qo‘llanadi. Bu jarayon haqiqiy haroratni o‘lchamaydi; u faqat tasvir intensivliklarini termalga o‘xshash rang makoniga aylantiradi.

Ikkinchi bosqichda RGB tasvir bilan pseudo-thermal tasvir birlashtiriladi. Maqsad RGB ning tekstura va rang ma’lumotini pseudo-thermal tasvirning kontrastni kuchaytiruvchi ta’siri bilan birga ishlatishdir. Shu tariqa modelning kichik, kamuflyajlangan yoki qisman to‘silgan zararkunandalarni yaxshiroq aniqlashi maqsad qilinadi.

Uchinchi bosqichda YOLOv12 obyektni aniqlash arxitekturasi ishlatiladi. YOLO oilasi tasvirdagi obyektlarni bir o‘tishda topishga harakat qiluvchi tezkor obyekt aniqlash modellari bilan tanilgan. Ushbu tadqiqotda model zararkunanda sinfini, tasvirdagi bounding box joylashuvini, ishonch skorini va zararkunanda sonini ishlab chiqish uchun o‘qitiladi.

To‘rtinchi bosqichda tizim foydalanuvchi interfeysiga ulanadi. Maqolada Streamlit asosidagi interfeys ishlab chiqilgani aytiladi. Bu interfeys tasvir yuklash, jonli kamera kirishi, aniqlash natijasini ko‘rsatish, zararkunandalarni sanash, ogohlantirish yaratish va JSON hisobotini tuzish kabi amaliy funksiyalarni taqdim etadi.

Bu yondashuvning asosiy da’vosi qimmat termal apparatlarsiz boyroq tasvir reprezentatsiyasini olish va zararkunanda aniqlashni real vaqtga yaqin, arzon va dala foydalanishiga mosroq qilishdir.

Formulalar Nimani Anglatadi?

Maqoladagi formulalar tasvir qanday o‘zgartirilishi va model qanday qaror chiqarishini sodda tarzda tushuntiradi.

Birinchi muhim formula RGB tasvirni kulrang tonlarga aylantirishdir. Bu jarayonda qizil, yashil va ko‘k kanallar turli og‘irliklarda birlashtiriladi. Inson ko‘zi yashil kanalga sezgirroq bo‘lgani uchun yashil kanal yuqoriroq og‘irlik oladi. Shu tariqa har bir piksel uchun yagona yorqinlik qiymati olinadi.

So‘ng bu kulrang tasvir termalga o‘xshash rang xaritasiga aylantiriladi. Maqolada OpenCV ning COLORMAP_INFERNO yondashuvi tilga olinadi. Bu jarayon haqiqiy harorat ma’lumotini yaratmaydi, ammo qorong‘i va yorug‘ sohalarni termal tasvirga o‘xshash ranglarda ko‘rsatib, ayrim kontrast farqlarini ko‘rinadiganroq qilishi mumkin.

Yana bir formula RGB va pseudo-thermal tasvirlarni aralashtirishga tegishli. Tadqiqotda ikki tasvir teng ulushda og‘irliklanadigan fuzion yondashuvi ishlatiladi. Shu tariqa ham haqiqiy rang/tekstura ma’lumoti, ham termalga o‘xshash kontrast ma’lumoti model kirishiga uzatiladi.

YOLO tomonida ishlatiladigan loss funksiyasi modelga uch narsani bir vaqtda o‘rganishga imkon beradi: obyektni to‘g‘ri quti bilan joylashtirish, obyekt bor-yo‘qligini aniqlash va to‘g‘ri sinfni tanlash. Box loss joylashuv xatosini; object loss zararkunanda mavjudligiga oid ishonchni; class loss esa oqkanot, qo‘ng‘iz yoki kuya kabi sinf bashoratini ifodalaydi.

Bounding box formulalari model bergan markaz koordinatasi va quti kengligi-balandligi qiymatlaridan chap yuqori va o‘ng pastki burchak koordinatalari qanday hisoblanishini ko‘rsatadi. Shu tariqa zararkunanda tasvir ustida qizil quti bilan belgilanadi.

Grafik / Jadval / Sxemaning Asosiy Xabari

Maqoladagi tizim arxitekturasi sxemasi RGB tasvir pseudo-thermal tasvir bilan birlashtirilib, so‘ng YOLOv12 modeliga uzatilishini ko‘rsatadi. Sxemaning asosiy xabari shuki, tizim bitta tasvirdan ikki xil reprezentatsiya yaratib, ularni birlashtirish orqali zararkunanda aniqlashni kuchaytirishga harakat qiladi.

Namunaviy ma’lumot tasvirlari AgriPest-7774 ma’lumotlar to‘plamida oqkanot, qo‘ng‘iz va kuya namunalari belgilanganini ko‘rsatadi. Bu tasvirlarning asosiy xabari shuki, model laboratoriya chizmalari yoki butunlay sun’iy tasvirlar bilan emas, dala sharoitidan olingan haqiqiy tasvirlar bilan o‘qitilgan.

Ma’lumot taqsimoti jadvali oqkanot sinfi ma’lumotlar to‘plamida eng katta ulushga ega ekanini ko‘rsatadi. Oqkanot 3.200 ta tasvir bilan ma’lumotlar to‘plamining taxminan %41 ini tashkil etadi, qo‘ng‘iz va kuya sinflari esa kamroq ifodalangan. Bu modelning oqkanot bo‘yicha ko‘proq namuna ko‘rishiga, kam ifodalangan sinflarda esa umumlashtirish xavfi oshishiga olib kelishi mumkin.

Model samaradorligi jadvali taklif qilingan usul qo‘lda nazorat, RGB + deep learning, thermal + IoT, Faster R-CNN, VGG16 va ResNet50 kabi yondashuvlar bilan taqqoslanganini ko‘rsatadi. Taklif qilingan YOLOv12 RGB–pseudo-thermal yondashuvi %87,1 mAP bilan eng yuqori natijani qayd etadi. Biroq bu taqqoslash qanday standartlashtirilgani, ma’lumotlar to‘plamlari va o‘qitish sharoitlari nuqtayi nazaridan ehtiyotkorlik bilan ko‘rib chiqilishi kerak.

Zararkunandalar sababli hosil yo‘qotish grafigi guruch, bug‘doy va makkajo‘xorida zararkunandalar jiddiy yo‘qotish keltirib chiqarishi mumkinligini ko‘rsatadi. Asosiy xabar shuki, zararkunanda aniqlash faqat texnik computer vision muammosi emas, balki oziq-ovqat xavfsizligi va hosildorlik yo‘qotishi nuqtayi nazaridan ham muhimdir.

O‘qitish loss grafiklari modelning 100 epoch davomida o‘rganish jarayonida box, class va object yo‘qotishlari kamayganini ko‘rsatadi. Bu model trening ma’lumotlaridagi zararkunanda joylashuvlari va sinflarini o‘rganishga muvaffaq bo‘lganini ko‘rsatadi.

mAP rivojlanish grafigi modelning o‘qitish davomida o‘rtacha aniqligi ortganini va oxirida %87,1 atrofida barqarorlashganini ko‘rsatadi. Bu model trening jarayonida ma’lum samaradorlik darajasiga yetganini anglatadi.

Pseudo-thermal aniqlash tasviri oqkanot termalga o‘xshash ko‘rinishda belgilanganini va ishonch skori bilan ko‘rsatilganini tushuntiradi. Bu tasvirning asosiy xabari shuki, tizim faqat sinfni bashorat qilmaydi; zararkunandaning tasvirdagi joyini ham quti bilan ko‘rsatadi.

Xato tahlili tasvirlari esa tadqiqotning eng muhim qismlaridan biridir. Barg tomirlari, suv tomchilari yoki fon teksturalari ba’zan zararkunanda sifatida qabul qilinishi mumkin. Qisman to‘silgan zararkunandalar o‘tkazib yuborilishi mumkin. Bu tizim amaliyotda hanuz ehtiyotkorlik bilan validatsiya qilinishi kerakligini ko‘rsatadi.

Tajribalar Qanday O‘tkazilgan?

Tadqiqotda 7.774 ta belgilangan qishloq xo‘jaligi zararkunanda tasviridan iborat ma’lumotlar to‘plami ishlatilgan. Tasvirlar real dala sharoitidan to‘plangan va oqkanot, qo‘ng‘iz hamda kuya kabi uch asosiy zararkunanda sinfiga ajratilgan. Tasvirlar Roboflow vositasi yordamida quti va sinf yorlig‘i bilan belgilangan.

Ma’lumotlar to‘plami trening va validatsiya qismlariga ajratilgan. Tasvirlar YOLOv12 kirishiga mos keladigan 640 × 640 piksel o‘lchamiga keltirilgan. O‘qitishda COCO da oldindan o‘qitilgan vaznlar ishlatilgani aytiladi. Bu model umumiy obyekt xususiyatlarini avvaldan o‘rgangan boshlang‘ich nuqtadan qishloq xo‘jaligi zararkunandalarini aniqlashga moslashtirilganini anglatadi.

RGB tasvirlardan pseudo-thermal tasvirlar yaratilgan. Buning uchun tasvir avval kulrang tonlarga o‘tkazilgan, so‘ng termalga o‘xshash rang xaritasi qo‘llangan. Keyin RGB va pseudo-thermal reprezentatsiyalar birlashtirilib, model kirishiga berilgan.

Model 100 epoch davomida o‘qitilgan. O‘qitish jarayonida box loss, class loss va object loss kamaygani qayd etilgan. Bu yo‘qotishlarning kamayishi model zararkunandalarni aniqroq joylashtirish va tasniflashni o‘rganganini ko‘rsatadi.

Samaradorlik mAP, precision va recall qiymatlari bilan baholangan. mAP model turli ishonch chegaralari va joylashuv aniqligi darajalarida qanchalik muvaffaqiyatli aniqlash qilganini ko‘rsatadi. Precision model “zararkunanda bor” degan holatlarning qanchasi to‘g‘ri ekanini; recall esa haqiqiy zararkunandalarning qanchasini ushlay olganini ifodalaydi.

Tizim shuningdek Streamlit asosidagi interfeys bilan sinovdan o‘tkazilgan. Bu interfeysda tasvir yuklash, aniqlash natijasini ko‘rish, zararkunanda joyini qizil qutilar bilan belgilash, ishonch skorini ko‘rsatish, JSON hisobotini yuklab olish va ovozli/vizual ogohlantirish yaratish funksiyalari mavjud.

Natijalar Nimani Ko‘rsatadi?

Tadqiqotda taklif qilingan YOLOv12 RGB–pseudo-thermal tizimi %87,1 mAP, %88,3 precision va %80,7 recall qiymatlariga erishgan. Bu natijalar tizim ma’lumotlar to‘plamidagi zararkunandalarni aniqlashda kuchli samaradorlik ko‘rsatganini bildiradi.

Sinf bo‘yicha oqkanot, qo‘ng‘iz va kuya uchun mAP qiymatlari bir-biriga yaqin deb qayd etilgan. Bu model faqat bitta sinfga haddan tashqari yo‘nalmaganini ko‘rsatishi mumkin, biroq ma’lumotlar to‘plamida oqkanot ustun bo‘lgani uchun kam ifodalangan turlarda qo‘shimcha validatsiya zarur.

Taqqoslash jadvallarida taklif qilingan tizim RGB asosidagi deep learning yondashuvlari, VGG16, ResNet50 va Faster R-CNN kabi modellardan yuqoriroq natija bergani aytiladi. Shuningdek, u haqiqiy termal sensor yoki IoT tizimidan foydalanmasdan arzon va real vaqtda ishlashi mumkin bo‘lgan yechim sifatida taqdim etiladi.

Pseudo-thermal fuzion ayniqsa kichik va kamuflyajlangan zararkunandalarni ko‘rinadigan qilishga yordam berishi da’vo qilinadi. Biroq bu nuqtani ehtiyotkor talqin qilish kerak, chunki pseudo-thermal haqiqiy harorat ma’lumoti emas. U RGB tasvirning o‘zgartirilgan ko‘rinishidir. Shu sabab haqiqiy termal sensor beradigan fizik harorat ma’lumoti bilan bir xil emas.

Xato tahlili tizim hanuz ayrim sharoitlarda qiynalishini ko‘rsatadi. Barg tomirlari, tuproq teksturasi yoki suv tomchilari ba’zan zararkunanda deb qabul qilinishi mumkin. Barg ostida qisman qolgan yoki tasvirda kichik ko‘ringan zararkunandalar o‘tkazib yuborilishi mumkin. Yomg‘ir, tuman, chang va past yorug‘lik kabi sharoitlar tizimning ishonch skorini pasaytirishi mumkin.

Bu Nega Muhim?

Qishloq xo‘jaligida zararkunandalarni erta aniqlash ham hosil yo‘qotishini kamaytirish, ham keraksiz kimyoviy ishlatishni oldini olish uchun muhim. Agar zararkunanda zichligini erta va to‘g‘ri aniqlash mumkin bo‘lsa, aralashuv yanada maqsadli amalga oshiriladi. Bu ham ishlab chiqaruvchi xarajatini, ham ekologik yukni kamaytirishi mumkin.

Bu tadqiqot qimmat termal kameralarsiz boyroq tasvir reprezentatsiyasi yaratish g‘oyasini sinovdan o‘tkazadi. Agar bu yondashuv turli ekinlar, turli zararkunandalar va real dala sharoitlarida kuchli tarzda tasdiqlansa, arzon erta ogohlantirish tizimlari uchun amaliy yo‘l ochishi mumkin.

Ayniqsa kichik fermerlar yoki o‘rta miqyosdagi xo‘jaliklar uchun qimmat IoT infratuzilmalari va termal kameralar mavjud bo‘lmasligi mumkin. RGB kamera asosidagi, dasturiy yordamli va real vaqtda ishlaydigan tizimlar shu jihatdan amaliyroq ko‘rinishi mumkin.

Bundan tashqari, Streamlit kabi sodda interfeys orqali natijalarni foydalanuvchiga ko‘rsatish akademik model bilan dala foydalanishi orasidagi bo‘shliqni kamaytiradi. Fermer yoki texnik xodim faqat model chiqishini emas, balki zararkunanda turini, joylashuvini, ishonch skorini, sonini va ogohlantirishni ko‘rishi mumkin.

E’tibor Beriladigan Jihatlar

Bu maqola preprintdir; hakamlar baholashidan o‘tmagan. Shu sabab natijalar yakuniy qishloq xo‘jaligi qaror tizimi sifatida taqdim etilmasligi kerak.

Pseudo-thermal tasvir haqiqiy termal tasvir emas. Haqiqiy termal kamera obyektlar orasidagi harorat farqlarini o‘lchaydi. Ushbu tadqiqotdagi pseudo-thermal yondashuv esa RGB tasvirning yorqinlik va rang ma’lumotidan termalga o‘xshash tasvir yaratadi. Shu sabab u fizik harorat ma’lumotining o‘rnini to‘liq bosa olmaydi.

Ma’lumotlar to‘plamida oqkanot sinfi ko‘proq. Bu model ayrim sinflarda yaxshiroq, kam ifodalangan sinflarda esa zaifroq umumlashtirishiga olib kelishi mumkin. Yanada muvozanatli, ko‘p hududli, ko‘p mavsumli va ko‘proq zararkunanda turini o‘z ichiga olgan ma’lumotlar to‘plamlari kerak.

Dala sharoitlari juda o‘zgaruvchan. Yomg‘ir, tuman, chang, shamol, harakat xiraligi, past kamera aniqligi, noto‘g‘ri burchak, barglarning ustma-ust tushishi va soyalar model samaradorligiga ta’sir qilishi mumkin.

Model false positive va false negative natijalar berishi mumkin. False positive holatda tizim zararkunanda bo‘lmagan teksturani zararkunanda deb belgilashi mumkin. False negative holatda esa haqiqiy zararkunandani o‘tkazib yuborishi mumkin. Shu sabab bunday tizimlar bevosita avtomatik pestitsid purkash qarorini berish o‘rniga, mutaxassis nazoratini qo‘llab-quvvatlovchi erta ogohlantirish vositasi sifatida qaralishi kerak.

Taqqoslangan usullarning barchasi bir xil ma’lumotlar to‘plami va bir xil tajriba sharoitlarida baholangan yoki baholanmaganini aniqlash natijalarni ishonchli talqin qilish uchun muhim. Maqoladagi samaradorlik taqqoslashlari umidli bo‘lsa-da, mustaqil ma’lumotlar to‘plamlarida takrorlanishi kerak.

Xulosa

Bu tadqiqot qishloq xo‘jaligi zararkunandalarini tasvir asosida aniqlash uchun arzon va real vaqtga yaqin yondashuvni taklif qiladi. RGB tasvirlardan pseudo-thermal reprezentatsiyalar yaratish haqiqiy termal kamera ishlatmasdan modelga qo‘shimcha vizual kontrast berish g‘oyasiga asoslanadi. YOLOv12 bilan birlashtirilganda tizim oqkanot, qo‘ng‘iz va kuya kabi zararkunandalarni yuqori aniqlikda aniqlay olganini qayd etadi.

Eng e’tiborga molik jihati shuki, tizim faqat akademik model bo‘lib qolmay, Streamlit interfeysi orqali tasvir yuklash, jonli tahlil, ogohlantirish yaratish va hisobot tuzish kabi amaliy funksiyalarga yo‘nalgan. Bu precision agriculture da sun’iy intellektni dala foydalanishiga yaqinlashtirish nuqtayi nazaridan muhim qadamdir.

Biroq xavfsiz talqin quyidagicha bo‘lishi kerak: bu tizim zararkunanda aniqlash uchun kuchli nomzod, ammo haqiqiy termal tasvirning o‘rnini to‘liq bosmaydi va bevosita avtomatik pestitsid purkash qarori uchun yakka o‘zi yetarli deb qaralmasligi kerak. Ko‘proq ekin, ko‘proq zararkunanda turi, turli iqlimlar, turli kamera sharoitlari va ko‘p mavsumli mustaqil testlar bilan tasdiqlanishi zarur.

Manba va Usul Bo‘yicha Izoh

Ushbu yozuv “Multimodal Fusion Framework for Automated Crop Infestation Detection” nomli preprint maqola asosida tayyorlangan. Tadqiqot RGB tasvirlardan dasturiy ravishda yaratilgan pseudo-thermal reprezentatsiyalarni YOLOv12 obyektni aniqlash arxitekturasi bilan birlashtirib, qishloq xo‘jaligi zararkunandalarini real vaqtda aniqlashni maqsad qiladi. Ma’lumotlar to‘plami 7.774 ta belgilangan tasvirdan iborat bo‘lib, oqkanot, qo‘ng‘iz va kuya sinflarini o‘z ichiga oladi.

Matn so‘zma-so‘z tarjima emas. Maqoladagi asosiy g‘oya, usul, formulalar, grafiklar, tajriba jarayoni, natijalar va cheklovlar Verianla o‘quvchisi uchun soddalashtirilib, original turkcha tahririy kontent sifatida qayta bayon qilingan. Tadqiqot preprint bo‘lgani uchun topilmalar yakuniy qishloq xo‘jaligi amaliyot tavsiyasi emas, balki ko‘proq dala validatsiyasini talab qiladigan tadqiqot natijalari sifatida baholanishi kerak.