Software detekce plevelů v porostu zelí

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60460709%3A41310%2F25%3A103304" target="_blank" >RIV/60460709:41310/25:103304 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/60460709:41210/25:103304 RIV/60460709:41110/25:103304

Výsledek na webu

<a href="https://github.com/Jabkin1/Model_showcase" target="_blank" >https://github.com/Jabkin1/Model_showcase</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Software detekce plevelů v porostu zelí

Popis výsledku v původním jazyce

Tento software je navržen jako nástroj na bázi strojového učení pro zemědělce, který slouží k detekci a identifikaci plevelů v zeleninových porostech, s hlavním zaměřením na porosty zelí. Využívá sílu moderních open source knihoven, jako jsou NumPy, OpenCV a Ultralytics, a kombinuje je pro analýzu obrazových dat. Srdcem softwaru je neuronová síť YOLOv10, která byla optimalizována pro vysokou přesnost detekce plevelů a efektivní implementaci pro vícekanálové snímky. Nástroj díky tréninku na velkém objemu vizuálních dat podporuje zpracování obrazů obsahujících jak standardní RGB kanály, tak i NIR (blízké infračervené) spektrum, což zajišťuje vyšší spolehlivost v eliminaci necílových prvků obrazu, jako je půda. Software je schopen rozpoznat 11 hlavních druhů plevelů, dvě širší skupiny necílových rostlin a jejich kombinace, což usnadňuje přesné a rychlé rozhodování v terénu. Díky využití otevřených technologií je tento software flexibilní a rozšiřitelný, což umožňuje jeho přizpůsobení různým potřebám zemědělských podniků.

Název v anglickém jazyce

Software for weed detection in cabbage fields

Popis výsledku anglicky

This software is designed as a machine learning–based tool for farmers, intended for the detection and identification of weeds in vegetable crops, with a primary focus on cabbage fields. It leverages the power of modern open-source libraries such as NumPy, OpenCV, and Ultralytics, combining them for the analysis of image data. At the core of the software is the YOLOv10 neural network, which has been optimized for high weed-detection accuracy and efficient implementation for multi-channel imagery. Through training on a large volume of visual data, the tool supports the processing of images containing both standard RGB channels and the NIR (near-infrared) spectrum, ensuring greater reliability in eliminating non-target image elements such as soil. The software is capable of recognizing 11 major weed species, two broader groups of non-target plants, and their combinations, facilitating accurate and rapid decision-making in the field. Owing to the use of open technologies, the software is flexible and extensible, allowing it to be adapted to the diverse needs of agricultural enterprises.

Druh

R - Software

CEP obor

—

OECD FORD obor

40101 - Agriculture

Projekt

<a href="/cs/project/QK22010348" target="_blank" >QK22010348: Autonomní systémy jako nástroje integrované produkce zeleniny.</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu

SW2025_1_3

Technické parametry

Systém je navržen jako softwarové řešení založené na metodách strojového vidění a hlubokých neuronových sítí. Jádrem aplikace je detekční model YOLOv10 implementovaný pomocí knihovny Ultralytics, který umožňuje rychlou a přesnou detekci objektů v reálném čase. Software podporuje zpracování RGB i multispektrálních obrazů včetně NIR kanálu a je optimalizován pro běh na platformách Windows, Linux a macOS. Pro akceleraci výpočtů je doporučeno využití grafické karty NVIDIA s podporou CUDA. Aplikace je vyvíjena v jazyce Python a využívá knihovny NumPy a OpenCV pro zpracování obrazových dat.

Ekonomické parametry

Zavedení systému přináší významné ekonomické přínosy především díky možnosti cílených a selektivních zásahů v porostu. Přesná lokalizace jednotlivých rostlin umožňuje bodovou aplikaci přípravků, hnojiv a pomocných látek pouze do míst, kde jsou skutečně potřeba, čímž dochází k výraznému snížení spotřeby vstupních prostředků a provozních nákladů. Současně se omezuje zatížení půdy a okolního prostředí chemickými látkami. Digitalizace porostu a přesná data o poloze rostlin vytvářejí ideální základ pro nasazení autonomních a robotických systémů, které mohou provádět zásahy s vysokou přesností a bez zbytečných přejezdů. To vede ke zvýšení produktivity práce, snížení nároků na obsluhu.

IČO vlastníka výsledku

60460709

Název vlastníka

ČZU v Praze