פיתוח מערכת בינה מלאכותית לזיהוי מחלות צמחים
Phytophthora על עגבניות בתנאי מזג אוויר נוחים משמיד 80% מהיבול תוך 10 ימים. הבעיה אינה שהמחלה חשוכת מרפא — הבעיה היא שעד שהאגרונום מבחין ויזואלית בסימפטומים, ההדבקה כבר התפשטה ל-15–20% משטח העלה. אנו מפתחים מערכות ראייה ממוחשבת המזהות הדבקה ב-3–5% משטח העלה, ומספקות חלון טיפול של 3–4 ימים. הניסיון הרב שלנו ואחריות הדיוק של לפחות 90% מאפשרים לחברות חקלאיות להפחית את אובדן היבול ב-30–50%. המערכת מחזירה את השקעתה תוך פחות מעונה אחת בזכות הפחתת אובדן היבול. החיסכון במוצרי הגנת הצומח יכול להגיע ל-40%. כבר השלמנו למעלה מ-15 פרויקטים בתחום זה. עלות פרויקט טיפוסית נעה בין $10,000 ל-$50,000 בהתאם להיקף ולמורכבות.
כיצד לשפר את דיוק זיהוי מחלות הצמחים?
האתגר הטכני המרכזי הוא הדמיון הבין-מחלקתי של הסימפטומים. כלורוזיס מחוסר ברזל וטחב אבקתי בשלב מוקדם על עלי מלפפון נראים כמעט זהים — שניהם מייצרים כתמים בהירים עם קצוות מטושטשים. מודל שאומן רק על צבע הכתם מבלבל ביניהם באופן שיטתי.
מדוע ניתוח רב-מאפיינים עדיף על סיווג RGB?
אנו משתמשים בניתוח רב-מאפיינים הכולל:
- מאפייני מרקם של הכתם (LBP, מאפייני Haralick באמצעות
skimage.feature) - גיאומטריית הנגע: צורה, יחס היקף-לשטח
- דפוס התפשטות על פני העלה (שולי לעומת מרכזי לעומת מפוזר)
- שלב הצמחייה כהקשר (עלים צעירים נותנים דפוסים שונים)
ארכיטקטורה דו-מסלולית עובדת היטב: מסלול אחד מעבד patch RGB באמצעות EfficientNet, והשני מעבד מפות מרקם מחושבות באמצעות MobileNetV3 קל משקל. ה-embeddings המוצאים מחוברים לפני ראש הסיווג הסופי. על מערך הנתונים PlantVillage בתוספת ההערות שלנו על פני 14 גידולים, ארכיטקטורה כזו משיגה דיוק top-1 של 0.93 לעומת 0.87 עבור EfficientNet-B4 חד-מסלולי — שיפור של פי 1.07.
מה לבחור: זיהוי (Detection) או פילוח (Segmentation)?
לתנאי שדה, נדרש זיהוי, לא רק סיווג patch. YOLOv8 או RT-DETR מחזירים תיבה חוסמת (bounding box) עם מחלקת המחלה ורמת ביטחון בזמן אמת — קריטי לאפליקציה ניידת שאגרונומים משתמשים בה ישירות בשטח.
מניסיון: YOLOv8m על מערך נתונים של 12,000 תמונות עלים עם הערות (8 מחלות, 4 גידולים) לאחר כוונון עדין הראה mAP50 = 0.81. המחלקות הבעייתיות — חולה מוקדמת (early blight) ואלטרנריה (IoU < 0.5 על 23% מהתחזיות) עקב נגעים חופפים. פתרון: פילוח מופעים (instance segmentation) במקום תיבה חוסמת — Mask R-CNN או YOLOv8-seg מאפשרים הפרדה של מוקדי הדבקה חופפים.
| מודל | mAP50 | mAP50-95 | FPS (GPU נייד) |
|---|---|---|---|
| YOLOv8n | 0.73 | 0.51 | 42 |
| YOLOv8m | 0.81 | 0.58 | 18 |
| RT-DETR-L | 0.84 | 0.62 | 12 |
| YOLOv8m-seg | 0.79 | 0.57 | 14 |
YOLOv8n INT8 עובד פי 3.5 מהר יותר מ-RT-DETR-L עם דיוק דומה (0.73 לעומת 0.84, אך במכשיר נייד המהירות חשובה יותר).
פריסה בתנאי שדה
שני תרחישים עם דרישות שונות:
אפליקציה ניידת לאגרונום. מודל — ONNX + ONNX Runtime Mobile על Android/iOS. YOLOv8n INT8 רץ על Snapdragon 8 Gen 2 עם זמן השהיה של 45–70 אלפיות השנייה, וזה מקובל לצילום כף יד. האפליקציה עובדת במצב לא מקוון, והתוצאות מסונכרנות כשהחיבור זמין.
מערכת רחפן. NVIDIA Jetson Orin NX (16 GB) + מנוע TensorRT. עיבוד בזמן אמת ב-4K 30 fps, זיהוי על כל פריים חמישי, קואורדינטות של נקודות נגועות נכתבות ל-GeoJSON.
השוואת ביצועים על פלטפורמות שונות:
| פלטפורמה | מודל | זמן השהיה (ms) | זיכרון (MB) |
|---|---|---|---|
| Snapdragon 8 Gen 2 | YOLOv8n INT8 | 45–70 | 4.2 |
| Jetson Orin NX | YOLOv8m FP16 | 12–18 | 28 |
נתונים: הערות והרחבת מערך נתונים
מערכי נתונים ציבוריים עם הערות על מחלות צמחים מספיקים להתחלה (PlantVillage — 87,000 תמונות, 38 מחלקות מחלה). עם זאת, עבור גידולים ואזורים ספציפיים, נדרש כוונון עדין על נתונים משלך — מחלות נראות שונה באזורי אקלים שונים ועל זנים שונים.
דרישות נתונים לאימון מודל
כדי לאמן מודל, יש צורך בקבוצה מייצגת של תמונות מהשדות שלך. אנו ממליצים על לפחות 500 תמונות עם הערות לכל מחלקת מחלה. אנו מאיצים את ההערות באמצעות למידה פעילה: לאחר אימון ראשוני, המודל בוחר את הדוגמאות ה"לא ודאיות" ביותר (דגימת אנטרופיה), והאגרונום מעיר רק עליהן. בפועל, זה מפחית את מאמץ ההערות הידני ב-40–60%.
מה כלול בפרויקט
הפתרון המפתח-בידיים שלנו כולל:
- ביקורת נתונים והגדרת רשימת מחלות
- איסוף נתוני שדה והערות (במידת הצורך)
- פיתוח ואימון מודל (למידת העברה)
- ולידציה בשטח ושיפור איטרטיבי
- פריסה באפליקציה ניידת או במכשיר קצה (Jetson וכו')
- ניטור ירידת ביצועים, תמיכה ואימון מחדש
- תיעוד API ומדריכי הפעלה
- הכשרת אגרונומים לשימוש במערכת
כיצד מתבצע הפיתוח: תוכנית שלב-אחר-שלב
- ביקורת נתונים והגדרת רשימת מחלות
- איסוף נתוני שדה והערות (במידת הצורך)
- פיתוח ואימון מודל (למידת העברה)
- ולידציה בשטח, איטרציות
- פריסה באפליקציה ניידת או במכשיר קצה
- ניטור ירידת ביצועים, תמיכה ואימון מחדש
- תיעוד API ותפעול
- הכשרת אגרונומים לשימוש במערכת
אנו מספקים פרויקטים מפתח-בידיים: מאיסוף נתונים ועד פריסה. נבחן את הפרויקט שלך תוך יומיים. צור קשר לייעוץ. הזמן ביקורת מקדימה של הפרויקט שלך.
שגיאות הערות אופייניות
- גבולות נגע לא ברורים
- הערות בשלבי צמחייה שונים
- זיהוי שגוי של מחלות דומות
לוח זמנים ועלות
מערכת זיהוי לגידול אחד ו-5–8 מחלות: 6–10 שבועות עם נתונים עם הערות זמינים. פלטפורמה רב-גידולית עם אפליקציה ניידת ורכיב שרת: 3–4 חודשים. העלות מחושבת באופן פרטני; טווח אופייני $10,000–$50,000. החברה שלנו נמצאת בשוק כבר 5 שנים והשלימה למעלה מ-15 פרויקטים בראייה ממוחשבת למגזר החקלאי.