מצב טכני: רחפן טס מעל שדה, צילם 4,000 תמונות, אגרונום בהה במסך במשך שלוש שעות — ופספס את הכתמים הצהובים הבהירים בחלק הצפוני. זו לא בעיית קשב; זו בעיית קנה מידה. העין האנושית פיזית לא מסוגלת לעבד אלפי דונם עם התדירות הנדרשת. אנו מפתחים ראייה ממוחשבת מבוססת בינה מלאכותית לחקלאות — זיהוי אוטומטי של חריגות בצמחייה, סיווג גורמי עקה, וחיזוי יבול מנתוני רחפן, לוויין ומצלמות קרקע. הניסיון שלנו (10+ שנים בפתרונות בינה מלאכותית לחקלאות, 50+ פרויקטים, מהנדסים מוסמכים) מראה שהמפתח לדיוק הוא נתונים מולטי-ספקטרליים, לא רק RGB. המערכת במתכונת turnkey כוללת איסוף נתונים, תיוג, אימון, ואינטגרציה ל-ERP שלכם. נבחן את הפרויקט שלכם תוך 2-3 ימים — צרו קשר לייעוץ.
מה באמת קשה בניתוח יבולים
למה RGB לא מספיק לניתוח מדויק
רוב המערכות שמובאות אלינו לשיפור מאומנות אך ורק על תמונות RGB. זה עובד לחלוקה גסה כמו 'שדה / לא שדה', אבל זה לא מספק סיווג אמין של מצבי עקה.
המדד המרכזי הוא NDVI (מדד צמחייה דיפרנציאלי מנורמל): (NIR - RED) / (NIR + RED). חישובו דורש מצלמה מולטי-ספקטרלית עם ערוצי Red Edge ו-NIR. בפועל, אנו משתמשים ב-Micasense RedEdge-MX או Sentera 6X המשולבות עם DJI Matrice 300.
אנו מיישמים בנוסף:
- NDRE (Red Edge NDVI) — מדויק יותר לכיסוי ירוק צפוף שבו NDVI רווי;
- SAVI — NDVI עם תיקון קרקע, קריטי לשלבי גידול מוקדמים כאשר LAI < 3;
- CWSI (מדד עקת מים ביבול) — מתמונות תרמיות (FLIR Tau 2 640), מזהה מחסור בלחות לפני סימפטומים נראים.
מקרה לדוגמה: לקוח עם 1,200 דונם חיטה רצה לזהות מחסור בחנקן. על RGB טהור, המודל נתן דיוק 0.61 — יותר מדי חיוביים כוזבים מצללי עננים. הוספת ערוץ NDRE העלתה את הדיוק ל-0.87 עם recall של 0.83.
ארכיטקטורת מודל: סגמנטציה מול סיווג
למפות מצב יבול ברמת פיקסל (סגמנטציית שדה), אנו משתמשים בסגמנטציה סמנטית. מחסנית: PyTorch + segmentation_models_pytorch, backbone SegFormer-B3 או DeepLabV3+ עם ResNet-50. SegFormer-B3 משתמש בפי 2 פחות זיכרון ומהיר פי 1.3 מ-DeepLabV3+, תוך השגת mIoU גבוה יותר (0.81 לעומת 0.78).
| ארכיטקטורה | mIoU (ולידציה) | גודל מודל | זמן inference (GPU T4) |
|---|---|---|---|
| UNet + ResNet-34 | 0.74 | 84 MB | 38 ms |
| DeepLabV3+ ResNet-50 | 0.78 | 142 MB | 51 ms |
| SegFormer-B3 | 0.81 | 47 MB | 28 ms |
| SegFormer-B5 | 0.84 | 82 MB | 44 ms |
לסיווג גורמי עקה ברמת שדה (בצורת / מחלה / מחסור ב-N/P/K / עשבים), אנו משתמשים ב-EfficientNet-B4 עם ראש multi-label — תמונת patch אחת עשויה להכיל מספר בעיות בו-זמנית.
בעיית מערך הנתונים
מערכי נתונים ציבוריים (PlantVillage, CGIAR) הם נקודות פתיחה טובות אך יש להם הטיה רצינית: רוב התמונות צולמו בתנאי מעבדה עם תאורה אחידה ובהירה. בשטח, המודל 'נסחף' עקב כיסוי עננים משתנה, גבהי צילום שונים, ושלבי פנולוגיה שונים.
פתרון סטנדרטי: התאמת תחום (domain adaptation) באמצעות Mean Teacher או AdaIN לסגנון תמונות שטח בתנאי תאורה שונים. בתוספת augmentation כבד — צללים אקראיים (Albumentations RandomShadow), סימולציית ערפל (RandomFog), סיבוב אקראי של 360° (ריאלי למדי לתמונות אוויריות).
איך NDVI עוזר לזהות מחסור בחנקן
NDVI מתאם ישירות עם כלורופיל ותכולת חנקן בעלים. ירידה ב-NDVI מתחת לסף (0.6 לחיטה בשלב ההתערבות) מצביעה על מחסור בחנקן הרבה לפני שהעלים מצהיבים. המודלים שלנו מתחשבים בספים לכל יבול ושלב גידול, ומפיקים התראות במערכת הניטור.
השוואת מדדי צמחייה
| מדד | נוסחה | יישום |
|---|---|---|
| NDVI | (NIR - RED)/(NIR + RED) | צמחייה כללית, מצב חנקן (שלב התערבות) |
| NDRE | (NIR - Red Edge)/(NIR + Red Edge) | צמחייה צפופה, שלבים מאוחרים |
| SAVI | (NIR - RED)/(NIR + RED + L)*(1+L) | תיקון קרקע, LAI < 3 |
| CWSI | 1 - (T_veg - T_wet)/(T_dry - T_wet) | עקת מים מנתונים תרמיים |
איך המערכת בנויה
- איסוף נתונים: יצירת משימות טיסה ב-Mission Planner או DJI Terra עם חפיפה של 75-80%. שימוש בחיישנים מולטי-ספקטרליים (Micasense RedEdge-MX, Sentera 6X).
- תיוג: סימון באמצעות Label Studio עם ממשק מותאם לסימון מצולעים. מינימום 500 patches מתויגים לכל מחלקה.
- עיבוד מקדים: בניית אורתומוזאיקה באמצעות OpenDroneMap או Pix4Dmapper, כיול רדיומטרי באמצעות לוחות ייחוס, תיקון אטמוספרי (DOS או QUAC). חישוב מדדים ב-GDAL/rasterio.
- אימון: כוונון עדין של משקלי ImageNet מאומנים מראש. שימוש ב-stratified k-fold לפי שדות (לא patches) כדי למנוע אוטוקורלציה מרחבית. רישום עם Weights & Biases (תקן MLOps). דיוק יעד ≥85% mIoU.
- פריסה: ייצוא ל-ONNX, אופטימיזציה באמצעות TensorRT לצד שרת. למחשב משולב ברחפן: TensorFlow Lite עם קוונטיזציית INT8. פלט מפות סיווג GeoTIFF, אינטגרציה ל-QGIS או ArcGIS באמצעות WMS/WFS.
מה אתם מקבלים
- מפות NDVI/NDRE עם שינויים היסטוריים לאורך העונה;
- מפת סיווג גורמי עקה עם ציוני ביטחון;
- התראות אוטומטיות כאשר NDVI יורד מתחת לספי אזור;
- חלוקה לאזורים לדישון בקצב משתנה (מפות VRA).
חיסכון בדשנים באמצעות יישום בקצב משתנה יכול להגיע ל-45% — וכתוצאה מכך חיסכון של עשרות אלפי דולרים בשנה. הפחתת עלויות ניטור — עד 60%.
לוחות זמנים
מערכת ניטור בסיסית על נתוני רחפן קיימים: 4–8 שבועות. פלטפורמה מלאה עם אנליטיקה רב-עונתית ואינטגרציה ל-agri-ERP: 3–5 חודשים. העלות מחושבת באופן פרטני בהתאם להיקף התיוג, מספר היבולים במודל, ודרישות התשתית. עם ניסיון של למעלה מ-10 שנים, 50+ פרויקטים בטכנולוגיה חקלאית, וצוות מהנדסי בינה מלאכותית מוסמכים, אנו מבטיחים ביצועים אמינים.
הזמינו פרויקט פיילוט — תוך שבועיים תקבלו אב-טיפוס של מפת מצב שדה. צרו קשר לייעוץ והערכה מדויקת.