Drónalapú precíziós mezőgazdaság

A drónképtől a gyomtérképig és a permetezőgéppel használható kezelési zónákig.

Háttér

A változó dózisú gyomirtó gépeknek (sorközművelő kultivátor, földi permetező, permeteződrón) tudniuk kell, hol és milyen sűrűn vannak a gyomok. Kelés előtt minden zöld növény gyom, de amint a kultúrnövény és a gyom együtt nő, a gyomnyomás-térkép elkészítése nehéz. Magasabbról repülve kevesebb adatot kell tárolni, de az egyes növények már nem látszanak.

Célok

A gyomnyomás becslése 20–30 m magasról készült drónképekből, ahol az egyes növények már nem különböztethetők meg.
A mezei aszat (Cirsium arvense) foltjainak felismerése és a detektálás átalakítása valódi permetezőgéppel használható zónákká.
A számítási és tanítóadat-igény olyan alacsonyan tartása, hogy a módszer a gyakorlatban használható legyen.

Módszertan

Hatlépéses, jellemzőalapú módszer: növénykoordináták és -méretek, a sorirány és sortávolság, klaszterezés és egyenesillesztés, a sorhézagok kitöltése, a soron belüli növények kiszűrése a gyomok izolálásához, majd hőtérkép és shapefile előállítása. Tanítóadatot nem igényel.
Egyosztályos YOLO detektor 800 annotált képcsempén tanítva (13 280 képre augmentálva, 92 544 gyompéldány), 12 és 25 m-es felvételeken, jelölőpontokra alapozott geometriai transzformációval földrajzi koordinátákba.

Eredmények

208 képen és 120 mesterséges adathalmazon tesztelve: 678 kultúrnövény és 600 gyom esetén F1 = 86,32 % 4 % sorzavarás mellett, a gyom/kultúr arány korrelációja a valósággal 98–99 %.
A soron belüli koncentrációs arány (IRCR) jelzi az erősen gyomos képeket, amelyek eredményét el kell vetni, és a gyomnyomást is mutatja.
YOLO detektálás: mAP@0,5 = 78,97 %, F1 = 77,2 %. A pontpermetezés a terület 32,43 %-át érintette, ami 67,57 %-os gyomirtószer-megtakarítás a teljes felületű permetezéshez képest.

Kapcsolódó publikációk

2026konferenciakiadvány, nem lektorált

UAV-Based Detection and Precision Management of Cirsium arvense: An End-to-End Workflow from Deep Learning to Variable-Rate Spraying

L. Moldvai, P. Á. Mesterházi, G. Teschner, A. Nyéki

Proceedings of the 17th International Conference on Precision Agriculture (ICPA) and 11th Brazilian Congress on Precision and Digital Agriculture, Porto Alegre, Brazil, 13–15 July 2026

Összefoglaló

Végponttól végpontig tartó munkafolyamat a mezei aszat (Cirsium arvense) drónfelvételeken való felismerésére és a detektálásból permetezőgéppel kompatibilis kezelési zónák előállítására. Egyosztályos YOLO modell, 800 annotált képcsempén tanítva (13 280 képre augmentálva): mAP@0,5 = 78,97 %, F1 = 77,2 %. A területnek mindössze 32,43 %-án kellett gyomirtót kijuttatni, ami 67,57 %-os megtakarítás a teljes felületű permetezéshez képest.

UAV
YOLO
weed detection
variable-rate spraying

2025Q1

Aerial Image-Based Crop Row Detection and Weed Pressure Mapping Method

L. Moldvai, P. Á. Mesterházi, G. Teschner, A. Nyéki

Agronomy 2025, 15(8), 1762

Összefoglaló

Hatlépéses, jellemzőalapú gépi látási módszer, amely 20–30 m magasságból készült drónképekből határozza meg a kultúrnövény-sorokat és állít elő gyomnyomás-térképet, tanítóadat és mélytanulás nélkül. 208 valós képen és 120 mesterséges adathalmazon tesztelve; a soron belüli koncentrációs arány (IRCR) mutatja meg, hogy az eredmény használható-e. 678 kultúrnövény és 600 gyom esetén F1 = 86,32 %, a gyom/kultúr arány korrelációja a valósággal 98–99 %.

DOI: 10.3390/agronomy15081762

UAV
crop rows
weed pressure map
precision agriculture

Konferenciák

Poszter29 June – 3 July 2025

Aerial Image-Based Crop Row Detection and Weed Pressure Mapping for Variable-Rate Weeding Systems

15th European Conference on Precision Agriculture (ECPA 2025), Barcelona, Spain

Jellemzőalapú módszer, amely drónképekből gyomnyomás-hőtérképet és shapefile-t készít, tanítóadat nélkül és kis számítási igénnyel. A Book of Posters 81. posztere.

Poszter (PDF)Poszterkötet Kapcsolódó cikk