קורס : בינה מלאכותית בחקלאות

בינה מלאכותית בחקלאות: מודלים מבוססי רשתות נוירונים ויישומם בפתרון בעיות חקלאיות

בינה מלאכותית בחקלאות נשענת יותר ויותר על מודלים של רשתות נוירונים, משום שבעיות חקלאיות הן לרוב מורכבות, לא ליניאריות, ורבות מהן משלבות תמונה, זמן, חיישנים וסביבה משתנה. רשת נוירונים מאפשרת ללמוד קשרים מורכבים בין נתונים סביבתיים, נתוני קרקע, תמונות צמחים, מדדי אקלים ותוצאות אמת בשטח. כאשר משלבים רשת נוירונים בתוך מערכת בינה מלאכותית בחקלאות, המודל אינו רק מזהה תופעה קיימת, אלא גם יכול לחזות מגמות, לסווג בעיות, לאתר חריגות ולהפעיל תגובה מדויקת.

המודל הבסיסי ביותר הוא MLP, כלומר Multi-Layer Perceptron. זוהי רשת נוירונים מלאה שבה הקלט יכול להיות ערכים מספריים כגון לחות קרקע, טמפרטורה, מוליכות, pH, רמת אור, דישון קודם וזמני השקיה. בינה מלאכותית בחקלאות משתמשת ב-MLP כאשר הבעיה מבוססת בעיקר על נתוני חיישנים טבלאיים. לדוגמה, אם רוצים לחזות האם הצמח עומד להיכנס לעקת מים, רשת MLP מקבלת רצף של מדידות מהקרקע ומהסביבה ומחזירה תחזית של סיכון, כמות מים נדרשת או הסתברות לבעיה. כך רשת נוירונים משתלבת במערכת השקיה חכמה ומאפשרת שליטה טובה יותר על לחות הקרקע.

כאשר עוסקים בנתונים סדרתיים לאורך זמן, המודל המתאים יותר הוא LSTM, שהוא סוג של Recurrent Neural Network. בינה מלאכותית בחקלאות משתמשת ב-LSTM כדי ללמוד איך משתנים כמו לחות, טמפרטורה, קרינה, רוח ודישון משפיעים לאורך זמן על מצב הגידול. בניגוד לרשת רגילה, LSTM שומר זיכרון של מדידות קודמות ולכן מתאים מאוד לחיזוי. למשל, עבור חיזוי לחות קרקע, המודל מקבל היסטוריה של נתוני חיישנים מכמה שעות או ימים אחרונים, ולומד לחזות מתי הקרקע תגיע למצב קריטי. באותו אופן ניתן להשתמש ב-LSTM גם לחיזוי התפרצות מחלה, הופעת מזיקים או ירידה בקצב צמיחה. השילוב בפועל הוא כזה: החיישנים אוספים נתונים, הרשת מבצעת חיזוי, והמערכת מפעילה התרעה או פעולה אוטומטית.

מודל נוסף ממשפחת הרשתות הרציפות הוא GRU. זהו מודל דומה ל-LSTM אך פשוט וקל יותר חישובית. בינה מלאכותית בחקלאות יכולה לשלב GRU במערכות קצה שבהן כוח החישוב מוגבל, למשל בקר חכם בחממה או יחידת edge בשדה. GRU יכול לבצע חיזוי של לחות, דישון, שינויי אקלים מקומיים או סיכון למחלה תוך צריכת משאבים נמוכה יחסית. לכן הוא מתאים במיוחד כאשר רוצים לבנות מערכת בינה מלאכותית בחקלאות שפועלת מקומית ובזמן אמת.

כאשר הנתונים מגיעים מתמונות, המודל המרכזי הוא CNN, כלומר Convolutional Neural Network. זהו אחד המודלים החשובים ביותר בתחום בינה מלאכותית בחקלאות. CNN מתאים לניתוח תמונות עלים, פירות, גבעולים, קרקע ושורות גידול. למשל, כדי לזהות מחלה בעלה, מצלמה מצלמת את העלה והרשת מחלצת תבניות מרחביות כמו כתמים, שינויי צבע, קצוות לא תקינים ומרקם חריג. לאחר האימון, רשת ה-CNN יכולה לסווג אם העלה בריא, חולה, סובל ממחסור תזונתי או פגוע ממזיקים. השילוב בפתרון פשוט: המצלמה מספקת תמונה, המודל מנתח, והמפעיל או הרובוט מקבלים החלטה. באופן זה בינה מלאכותית בחקלאות הופכת את הראייה הממוחשבת לכלי מרכזי בניטור אוטומטי.

מבנים מתקדמים של CNN כמו ResNet חשובים במיוחד כאשר רוצים דיוק גבוה יותר. ResNet היא רשת עמוקה מאוד עם חיבורי skip connections, המאפשרים ללמוד תבניות מורכבות מבלי לאבד מידע בשל עומק הרשת. בינה מלאכותית בחקלאות משתמשת ב-ResNet כאשר צריך להבחין בין מחלות דומות מאוד, בין רמות חומרה שונות של נזק, או בין מחסור תזונתי לבין עקה סביבתית. לדוגמה, עלה עם חוסר חנקן ועלה עם מחלה פטרייתית עשויים להיראות דומים לעין אנושית, אך ResNet יכולה ללמוד את ההבדלים הדקים. לכן היא משתלבת היטב במערכות אבחון מדויקות לחקלאות.

EfficientNet היא רשת נוירונים נוספת לניתוח תמונה, המתוכננת להשיג יחס טוב בין דיוק לבין יעילות חישובית. בינה מלאכותית בחקלאות יכולה לשלב EfficientNet במצלמות חכמות, ברחפנים או במערכות embedded, כאשר יש צורך לזהות מחלות, פגמים או מצב צמח בלי חומרה כבדה. זה חשוב במיוחד עבור מערכות שדה שבהן צריכת החשמל מוגבלת. השימוש המעשי הוא בזיהוי חזותי מדויק תוך שמירה על יכולת ריצה מהירה יחסית.

במשימות של זיהוי עצמים בתמונה, כמו זיהוי פרי, זיהוי חרק או זיהוי אזור נגוע, מודל מרכזי הוא YOLO. גם זה מודל מבוסס רשת נוירונים עמוקה. בינה מלאכותית בחקלאות משתמשת ב-YOLO כאשר לא מספיק לדעת שיש מחלה או שיש פרי, אלא צריך לדעת גם איפה בדיוק הוא נמצא בתמונה. לדוגמה, ברובוט קטיף, המצלמה מצלמת שורת עגבניות, והרשת מאתרת כל פרי בשל ומחזירה את המיקום שלו. כך הזרוע הרובוטית יודעת לאן להגיע. באותו אופן אפשר לזהות מזיקים על עלים, פירות פגומים, עשבים בין שורות או אזורים הדורשים טיפול נקודתי. השילוב כאן ישיר בין ראייה ממוחשבת לבין רובוטיקה חקלאית.

כאשר רוצים לא רק לזהות אובייקט אלא גם לסמן במדויק את גבולות האזור החולה או הפגוע, משתמשים במודל U-Net. זהו מודל רשת נוירונים למשימות segmentation. בינה מלאכותית בחקלאות משלבת U-Net בזיהוי אזורי מחלה על עלים, מדידת היקף נגע, הפרדת צמח מהרקע או זיהוי עשבייה בין גידולים. למשל, אם רוצים למדוד כמה אחוז מהעלה נגוע, לא מספיק לסווג את התמונה. צריך מיפוי פיקסל-לפיקסל. U-Net נותן בדיוק את זה. פתרון כזה חשוב מאוד כאשר רוצים לבצע ריסוס ממוקד או כימות חומרת המחלה.

מודלים ממשפחת Vision Transformer הופכים גם הם חשובים בתחום בינה מלאכותית בחקלאות. בניגוד ל-CNN שמתמקדת בעיקר בדפוסים מקומיים, Vision Transformer מסוגל ללמוד קשרים רחבים יותר בתמונה. זה מועיל כאשר יש תלות בין חלקים שונים של הצמח או השדה. לדוגמה, זיהוי מצב כולל של הצמח, הערכת איכות פרי, או אבחון מחלה שמשפיעה על אזורים שונים בו זמנית. השילוב של Vision Transformer מתאים במיוחד ליישומים מורכבים שבהם נדרש להבין מבנה גלובלי ולא רק תכונה מקומית.

Autoencoder הוא סוג אחר של רשת נוירונים, המשמש בעיקר לגילוי חריגות. בינה מלאכותית בחקלאות יכולה לשלב Autoencoder כאשר אין בהכרח דוגמאות רבות לכל סוג תקלה, אבל יש הרבה דוגמאות של מצב תקין. הרשת לומדת לשחזר נתונים רגילים, וכאשר מופיעה תופעה חריגה כמו עקה, תקלה בחיישן, מחלה נדירה או דפוס סביבתי יוצא דופן, השחזור נכשל בצורה יחסית גדולה. כך אפשר לזהות בעיות גם בלי להגדיר מראש כל קטגוריה. מודל כזה מתאים מאוד לניטור חממות, מערכות השקיה או שדות גדולים שבהם חשוב לזהות חריגות מוקדם.

כאשר המטרה היא קבלת החלטות דינמית, ניתן להשתמש ברשת נוירונים בתוך מסגרת של Reinforcement Learning. גם כאן הליבה היא רשת נוירונים. בינה מלאכותית בחקלאות משתמשת בגישה זו כדי ללמוד מדיניות פעולה אופטימלית, למשל כמה להשקות, מתי לדשן, או כיצד לנווט רובוט בין שורות גידול. הרשת מקבלת מצב נוכחי של הסביבה, ובוחרת פעולה. לפי תוצאה מצטברת, היא לומדת לשפר את ההחלטות. זהו שילוב חשוב במיוחד כאשר אין נוסחה קבועה לפתרון, אלא צריך ללמוד אסטרטגיה לאורך זמן.

לסיכום, כאשר מתמקדים רק במודלים של רשתות נוירונים, ניתן לראות שבינה מלאכותית בחקלאות נשענת על כמה משפחות עיקריות: MLP עבור נתוני חיישנים מספריים, LSTM ו-GRU עבור חיזוי סדרות זמן, CNN ו-ResNet עבור זיהוי חזותי, EfficientNet עבור מערכות יעילות, YOLO עבור איתור עצמים, U-Net עבור סגמנטציה, Vision Transformer עבור הבנה גלובלית של תמונה, Autoencoder עבור גילוי חריגות, ורשתות ב-Reinforcement Learning עבור קבלת החלטות אוטונומית. כל רשת נוירונים משתלבת בפתרון אחר לפי סוג הבעיה, סוג הנתונים ורמת האוטומציה הנדרשת. כך בינה מלאכותית בחקלאות הופכת ממערכת ניטור בלבד למערכת חכמה שמבינה, חוזה, מזהה ופועל

בינה מלאכותית בחקלאות: 10 נושאים מובילים עם דוגמאות מעשיות

נושא	סוג רשת נוירונים	קלט	פלט	דוגמה מעשית
1. חיזוי לחות קרקע	LSTM	היסטוריית לחות קרקע, טמפרטורה, קרינת שמש, זמני השקיה	תחזית לחות לשעות או ימים קדימה	מערכת בחממה מודדת לחות כל 10 דקות. מודל LSTM חוזה שבעוד 3 שעות הלחות תרד מתחת לסף, ולכן מפעיל השקיה מוקדמת ומונע עקת יובש.
2. השקיה חכמה	MLP או LSTM	לחות קרקע, טמפרטורה, pH, שעה ביום, סוג גידול	כמות מים מומלצת	בחלקת עגבניות המערכת אינה מפעילה השקיה קבועה לכולם, אלא מחשבת לכל אזור כמה ליטר מים צריך לפי המצב האמיתי של הקרקע.
3. חיזוי דישון	MLP	NPK, מוליכות, pH, לחות, טמפרטורה, קצב צמיחה	צורך בדישון או סוג מחסור	מערכת מקבלת נתוני קרקע ועל סמך הרשת מזהה שסביר שיש מחסור בחנקן, עוד לפני שהחקלאי מבחין בהצהבת העלים.
4. זיהוי מחלות עלים	CNN / ResNet	תמונת עלה	סוג מחלה או עלה בריא/חולה	מצלמה מצלמת עלי מלפפון. ResNet מזהה קימחון בשלב מוקדם ומתריעה לבצע טיפול נקודתי רק באזור הנגוע.
5. זיהוי מזיקים	YOLO	תמונת עלים, גבעולים או מלכודת חרקים	מיקום המזיק, סוג המזיק, ספירה	מצלמה בחממה סורקת מלכודת דביקה. YOLO מזהה כנימות לבנות, סופר אותן, ושולח התרעה כאשר הכמות עולה מעל סף מסוכן.
6. סגמנטציה של אזורים נגועים	U-Net	תמונת עלה או פרי	מפה פיקסלית של אזור נגוע	בעלה פלפל יש כתמים. U-Net לא רק אומר שיש מחלה, אלא מסמן בדיוק איזה חלק מהעלה חולה, וכך ניתן למדוד את אחוז הנזק.
7. גילוי חריגות בשדה או בחממה	Autoencoder	סדרות נתוני חיישנים או תמונות מצב תקין	ציון חריגה	מערכת לומדת מהו מצב תקין של חממה. כשיש פתאום שילוב חריג של חום גבוה, ירידת לחות ושינוי בדפוס הצמיחה, ה־Autoencoder מזהה חריגה גם בלי לדעת מראש את שם התקלה.
8. חיזוי יבול	LSTM / MLP / CNN	היסטוריית צמיחה, תמונות שדה, נתוני אקלים, השקיה ודישון	תחזית כמות יבול	מטע תות שדה משתמש ב־LSTM כדי לחזות כמה קילוגרם פרי יהיו בשבוע הבא, וכך מתכנן עובדים, אריזה ושיווק מראש.
9. מיון איכות פירות וירקות	CNN / Vision Transformer	תמונת פרי או ירק	דרגת איכות, בשלות, פגם	בקו מיון של עגבניות, מצלמה מצלמת כל פרי. CNN מסווג לעגבנייה תקינה, פגומה, בשלה מדי או לא בשלה, ומפנה אותה למסלול המתאים.
10. רובוטיקה אוטונומית בחקלאות	YOLO + CNN + RL	תמונת שדה, מיקום שורות, מכשולים, מצב רובוט	החלטת תנועה, זיהוי מטרה, פעולה	רובוט שדה נוסע בין שורות חסה. YOLO מזהה עשבייה ומכשולים, ו־Reinforcement Learning מחליט איך להתקדם בלי לפגוע בצמחים ובלי לבזבז זמן.

פירוט קצר לכל אחד

1. חיזוי לחות קרקע

רשת LSTM מתאימה כי לחות היא תהליך תלוי זמן.
דוגמה: אם היום חם מאוד והקרקע מתייבשת מהר, המודל לומד את הדפוס ומתריע לפני שהצמח נכנס לעקה.

2. השקיה חכמה

הרשת לא רק חוזה מצב, אלא מחליטה כמה להשקות.
דוגמה: שתי ערוגות באותה חממה מקבלות כמויות מים שונות, כי אחת מוצלת והשנייה חשופה יותר לשמש.

3. חיזוי דישון

MLP מקבל ערכי חיישנים ומחזיר הערכת מחסור תזונתי.
דוגמה: המערכת מזהה ירידה הדרגתית במדדים שמעידה על מחסור בדשן, וממליצה על תיקון לפני ירידה ביבול.

4. זיהוי מחלות

CNN ו־ResNet מצטיינות בזיהוי דפוסים חזותיים.
דוגמה: כתמים קטנים בעלה מזוהים כתחילת מחלה ולא כנזק אקראי מאבק או צל.

5. זיהוי מזיקים

YOLO טוב כשצריך גם לזהות וגם לאתר.
דוגמה: במקום רק לדעת שיש חרקים בתמונה, המודל מסמן בדיוק איפה כל חרק נמצא וכמה יש.

6. סגמנטציה

U-Net שימושי כשצריך גבול מדויק של האזור הפגוע.
דוגמה: אם 8% בלבד מהעלה חולה, ניתן להחליט שלא לעקור את הצמח אלא לטפל מקומית.

7. גילוי חריגות

Autoencoder מתאים למצבים שבהם קשה לאסוף דוגמאות לכל תקלה אפשרית.
דוגמה: תקלה בטפטפת, חיישן פגום או שינוי סביבתי קיצוני מזוהים כסטייה מהתנהגות רגילה.

8. חיזוי יבול

שילוב תמונות ונתוני זמן נותן תחזית טובה יותר.
דוגמה: המודל משתמש גם בגודל הפרי בתמונה וגם בקצב הצמיחה בשבועות האחרונים.

9. מיון איכות

CNN או Vision Transformer יכולים לזהות פגמים קטנים מאוד.
דוגמה: פרי עם סדק קטן או שינוי צבע קל מופרד אוטומטית לפני שיגיע לשיווק.

10. רובוטיקה אוטונומית

כאן משלבים כמה רשתות יחד.
דוגמה: רשת אחת מזהה פרי בשל, רשת שנייה מזהה מכשולים, ורשת RL מחליטה איך הרובוט ינוע ויפעל.

דוגמה איך משלבים מערכת מלאה

בפתרון אמיתי של בינה מלאכותית בחקלאות אפשר לבנות שרשרת כזו:

חיישני לחות + טמפרטורה + pH אוספים נתונים
LSTM חוזה מצב לחות עתידי
MLP מחשב צורך בהשקיה ודישון
CNN מזהה מחלה בתמונת עלה
YOLO מזהה מזיקים או פרי בשל
U-Net מודד את היקף הנגע
RL מחליט האם להשקות, לרסס, להתריע או לשלוח רובוט

כך נוצרת מערכת בינה מלאכותית בחקלאות שהיא לא רק מערכת ניטור, אלא מערכת חכמה שמקבלת החלטות.

מחקרים מובילים – בינה מלאכותית בחקלאות

בכל מאמר: מה נחקר, מה המודל, ומה מטרת המחקר.

1. Mohanty, Hughes, Salathé (2016) — Using Deep Learning for Image-Based Plant Disease Detection
במחקר הזה בינה מלאכותית בחקלאות יושמה לזיהוי מחלות צמחים מתמונות עלים. החוקרים חקרו האם רשת נוירונים קונבולוציונית עמוקה יכולה לזהות 14 סוגי גידולים ו־26 מחלות או מצב בריא, מתוך 54,306 תמונות. מטרת המחקר הייתה להראות שאפשר לבצע אבחון אוטומטי מדויק של מחלות צמחים. המסקנה המרכזית הייתה ש־CNN יכול להגיע לדיוק גבוה מאוד בתנאי דאטה מבוקרים, ולכן המחקר נחשב אבן יסוד בתחום בינה מלאכותית בחקלאות לזיהוי מחלות.

2. Kamilaris & Prenafeta-Boldú (2018) — Deep Learning in Agriculture: A Survey
זהו מאמר סקירה חשוב מאוד בבינה מלאכותית בחקלאות. החוקרים לא בדקו ניסוי אחד, אלא סקרו 40 מחקרים שבהם deep learning יושם לבעיות כמו מחלות צמחים, זיהוי פירות, מיון תוצרת, ניטור שדה ורובוטיקה חקלאית. מטרת המחקר הייתה למפות את מצב התחום ולהבין איפה רשתות נוירונים כבר נותנות יתרון ברור. המסקנה הייתה שבינה מלאכותית בחקלאות, ובעיקר CNN, כבר שיפרה משמעותית משימות חזותיות, אך עדיין קיימים אתגרי generalization, זמינות דאטה ופריסה בתנאי שדה אמיתיים.

3. Sa et al. (2016) — DeepFruits: A Fruit Detection System Using Deep Neural Networks
במחקר הזה בינה מלאכותית בחקלאות הופנתה למשימה של זיהוי פירות בתמונות מטע. החוקרים בדקו האם Faster R-CNN, מודל object detection מבוסס רשת נוירונים עמוקה, יכול לזהות פירות בצורה מדויקת, מהירה ואמינה. מטרת המחקר הייתה לתמוך ברובוטי קטיף ובהערכת יבול. המסקנות הראו שזיהוי פירות אינו רק בעיית סיווג אלא גם לוקליזציה, ולכן המאמר קידם מאוד את החיבור בין בינה מלאכותית בחקלאות לבין רובוטיקה חקלאית מעשית.

4. Khaki & Wang (2019) — Crop Yield Prediction Using Deep Neural Networks
כאן בינה מלאכותית בחקלאות יושמה על חיזוי יבול, ולא על תמונות בלבד. החוקרים בדקו האם DNN יכול לנבא yield, check yield והבדלי yield של היברידי תירס מתוך נתוני גנוטיפ וסביבה. מטרת המחקר הייתה להראות שרשת נוירונים עמוקה יכולה ללמוד קשרים מורכבים ללא feature engineering ידני. המסקנה הייתה שבינה מלאכותית בחקלאות מסוג DNN יכולה לשפר תחזיות יבול, ולכן המחקר הרחיב את התחום מעבר לראייה ממוחשבת אל חיזוי אגרונומי מבוסס נתונים.

5. Khaki, Wang, Archontoulis (2020) — A CNN-RNN Framework for Crop Yield Prediction
במחקר הזה בינה מלאכותית בחקלאות שילבה מידע מרחבי וזמני לחיזוי יבול. החוקרים השתמשו במסגרת היברידית של CNN ו־RNN, כדי לנצל גם דפוסים מרחביים וגם דינמיקה לאורך עונת הגידול. מטרת המחקר הייתה לשפר את דיוק התחזית לעומת מודלים פשוטים יותר, במיוחד כאשר יש נתונים סביבתיים וניהוליים לאורך זמן. המסקנה הייתה שארכיטקטורה היברידית מתאימה יותר לבעיה החקלאית המורכבת, ולכן בינה מלאכותית בחקלאות נהנתה כאן משילוב של למידה מרחבית ולמידת סדרות זמן.

6. Ramcharan et al. (2017) — Deep Learning for Image-Based Cassava Disease Detection
המחקר עסק בזיהוי מחלות קסאווה בתנאי שדה, תחום חשוב של בינה מלאכותית בחקלאות במדינות מתפתחות. החוקרים בדקו האם אפשר להתאים CNN שכבר אומן מראש כדי לזהות 3 מחלות קסאווה, 2 סוגי נזקי מזיקים או מצב תקין, מתוך 2,756 תמונות שדה. מטרת המחקר הייתה לבדוק האם deep learning נשאר יעיל גם מחוץ למעבדה. המסקנה הייתה שבינה מלאכותית בחקלאות יכולה לעבוד גם ב־in-field datasets, אך יש צורך בהתאמה לדאטה מציאותי יותר.

7. Olsen et al. (2019) — DeepWeeds: A Multiclass Weed Species Image Dataset for Deep Learning
במחקר הזה בינה מלאכותית בחקלאות יושמה לזיהוי עשבייה. החוקרים יצרו דאטהסט משמעותי ובדקו האם רשתות כמו Inception-v3 ו־ResNet-50 יכולות לזהות שמונה מיני עשבים בתמונות שטח. מטרת המחקר הייתה להניח בסיס מעשי לעישוב אוטומטי, ריסוס ממוקד וזיהוי עשבייה בזמן אמת. המסקנות הראו ש־deep learning מסוגל לספק דיוק גבוה גם בבעיה מורכבת זו, ולכן המחקר קידם את תחום precision weed management בתוך בינה מלאכותית בחקלאות.

8. Wang et al. (2022) — Weed25: A Deep Learning Dataset for Weed Identification
בינה מלאכותית בחקלאות תלויה מאוד בדאטה, והמחקר הזה התמקד בדיוק בכך. החוקרים לא קידמו מודל יחיד אלא הציגו את Weed25, מאגר תמונות גדול לזיהוי עשבים. מטרת המחקר הייתה לאפשר אימון, השוואה ושיפור של מודלי CNN, YOLO ודומיהם בבעיה של weed identification. המסקנה הייתה שבתחום בינה מלאכותית בחקלאות, שיפור הדאטהסטים הוא תנאי מרכזי להתקדמות מעשית, מפני שבלי דאטה מגוון קשה להגיע למודלים עמידים לשדה אמיתי.

9. Atila et al. (2021) — Plant Leaf Disease Classification Using EfficientNet
המחקר עסק בסיווג מחלות עלים, אחד התחומים הקלאסיים של בינה מלאכותית בחקלאות. החוקרים בדקו האם EfficientNet יכול להציע איזון טוב בין דיוק לבין יעילות חישובית. מטרת המחקר הייתה להציג מודל קל יותר לפריסה, בלי לוותר על ביצועים. המסקנה הייתה שמודלים יעילים מסוג EfficientNet יכולים להיות שימושיים במיוחד ביישומי edge, מצלמות חכמות ומערכות שטח, ולכן בינה מלאכותית בחקלאות לא חייבת להישען רק על מודלים כבדים מאוד.

10. Saikai et al. (2023) — Deep Reinforcement Learning for Irrigation Scheduling Using High-Dimensional Measurements
כאן בינה מלאכותית בחקלאות עברה משלב האבחון לשלב קבלת ההחלטות. החוקרים בדקו האם Deep Reinforcement Learning יכול ללמוד מדיניות השקיה על סמך מדידות רבות ומורכבות. המודל היה DRL, שמטרתו לבחור מתי וכמה להשקות לפי מצב הסביבה. מטרת המחקר הייתה לבחון אוטומציה אמיתית של ניהול מים. המסקנה הייתה שבינה מלאכותית בחקלאות יכולה ללמוד מדיניות אדפטיבית להשקיה, וכך לשפר יעילות מים ולהקטין הסתמכות על כללי סף קשיחים.

11. Ojo et al. (2022) — Deep Learning in Controlled Environment Agriculture
המחקר הוא סקירה ממוקדת על בינה מלאכותית בחקלאות בסביבות מבוקרות כמו חממות ו־CEA. נבדקו שימושים של DL לניטור גידולים, זיהוי עקות ביוטיות ואביוטיות, השקיה, חיזוי מיקרו־אקלים, בקרה אנרגטית וחיזוי צמיחה. מטרת המחקר הייתה לאפיין את מצב ה־state of the art ב־controlled environment agriculture. המסקנה הייתה שבינה מלאכותית בחקלאות בסביבה מבוקרת היא תחום מבטיח במיוחד, כי תנאי הסביבה שם יציבים יותר ומאפשרים פריסה מעשית של רשתות נוירונים.

12. Alibabaei et al. (2022) — A Review of the Challenges of Using Deep Learning Algorithms to Support Decision-Making in Agricultural Activities
זהו מאמר חשוב מאוד להבנת המגבלות של בינה מלאכותית בחקלאות. החוקרים לא בחנו מודל יחיד, אלא סקרו יישומי deep learning חקלאיים והדגישו את בעיות היישום: שונות סביבתית, דאטה לא אחיד, קושי בתיקוף ובפריסה לשטח. מטרת המחקר הייתה להבין למה תוצאות יפות במאמרים לא תמיד הופכות למערכת מסחרית אמינה. המסקנה הייתה שבינה מלאכותית בחקלאות זקוקה לא רק למודלים טובים, אלא גם לדאטה מגוון, ולשיטות תיקוף חזקות יותר.

13. Attri et al. (2023) — A Review of Deep Learning Techniques Used in Agriculture
במחקר הסקירה הזה נבדקו טכניקות deep learning עיקריות בבינה מלאכותית בחקלאות. החוקרים בחנו אילו משפחות רשתות משמשות בפועל, כולל CNN, RNN, AlexNet ו־ResNet, ואיך הן מיושמות במשימות כמו מחלות, עשבייה, חיזוי, וסיווג. מטרת המחקר הייתה לזהות את המודלים הדומיננטיים ואת הפערים העתידיים. המסקנה הייתה שבינה מלאכותית בחקלאות נשלטת בעיקר בידי רשתות מונחות־ראייה ומודלים סדרתיים, אך יש צורך במודלים מהירים יותר ובעלי inference קל יותר.

14. Coulibaly et al. (2022) — Deep Learning for Precision Agriculture: A Bibliometric Analysis
כאן בינה מלאכותית בחקלאות נותחה לא דרך ניסוי יחיד, אלא דרך הספרות המדעית. החוקרים בדקו את מגמות הפרסום, תחומי היישום וההתפתחות המחקרית של deep learning ב־precision agriculture. מטרת המחקר הייתה להבין איך התחום צמח, אילו נושאים מקבלים את מירב תשומת הלב, ואילו תחומים עדיין חסרים. המסקנה הייתה שבינה מלאכותית בחקלאות היא מנוע משמעותי לחקלאות מדויקת, במיוחד בזיהוי חזותי, ניטור יבול וניהול חכם של משאבים.

15. Kirk et al. (2020) — A Rapid and Robust Outdoor Fruit Detection System for Strawberry Harvesting
המחקר עסק בזיהוי תותים בשדה, בעיה חשובה בבינה מלאכותית בחקלאות עבור קטיף אוטומטי. החוקרים בדקו מערכת deep learning לזיהוי מהיר, מדויק ועמיד של פירות בשלים בתנאים חיצוניים, באמצעות מצלמת RGB רגילה. מטרת המחקר הייתה לתמוך ברובוטי קטיף ובאוטומציה של harvest. המסקנה הייתה שאפשר להגיע לזיהוי חזק גם בתנאי תאורה ותנאי חוץ מורכבים, ולכן בינה מלאכותית בחקלאות מתקדמת כאן לכיוון יישום תעשייתי אמיתי.

16. Huang et al. (2023) — A Survey of Deep Learning-Based Object Detection Methods for Crop Counting
בינה מלאכותית בחקלאות כאן מתמקדת ב־crop counting, כלומר ספירת פירות או יחידות יבול. החוקרים סקרו מודלים כמו YOLO ו־Faster R-CNN, דאטהסטים ציבוריים, שיטות evaluation ואתגרי occlusion וצפיפות. מטרת המחקר הייתה למפות את תחום הספירה האוטומטית, שהוא קריטי להערכת יבול, תכנון עבודה ושיווק. המסקנה הייתה ש־object detection הוא כיום גישה מובילה בבינה מלאכותית בחקלאות לספירה, אך עדיין יש קשיים בזיהוי בתנאים עמוסים ולא אחידים.

17. Ashurov et al. (2024/2025) — Enhancing Plant Disease Detection Through Deep Learning
המחקר התמקד בשיפור זיהוי מחלות צמחים, תחום מרכזי של בינה מלאכותית בחקלאות. החוקרים הציעו CNN משופר, המבוסס על depthwise convolutions, בלוקי squeeze-and-excitation וחיבורי residual. מטרת המחקר הייתה לשפר את הדיוק והיעילות של זיהוי מחלות אוטומטי. המסקנה הייתה שמבנים ארכיטקטוניים מותאמים יכולים לשפר feature extraction ולספק מערכת יעילה יותר להגנת גידולים ואופטימיזציית יבול, בלי להסתמך בהכרח על רשתות כבדות בלבד.

18. Wang et al. (2023) — Fine-Grained Weed Recognition Using Swin Transformer and Two-Stage Transfer Learning
במחקר הזה בינה מלאכותית בחקלאות יושמה לבעיה קשה במיוחד: הבחנה בין עשבים וגידולים בעלי מאפיינים חזותיים דומים. החוקרים השתמשו ב־Swin Transformer וב־two-stage transfer learning. מטרת המחקר הייתה לשפר fine-grained weed recognition לצורך עישוב מדויק. המסקנה הייתה שמודלים מבוססי Transformer יכולים לתת יתרון משמעותי על פני גישות קלאסיות יותר כאשר נדרשת הבחנה עדינה בין מינים, ולכן הם פותחים כיוון חדש בתוך בינה מלאכותית בחקלאות.

19. Al Sahili et al. (2022) — The Power of Transfer Learning in Agricultural Applications
המחקר עוסק בשאלה רוחבית מאוד בבינה מלאכותית בחקלאות: איך להתמודד עם מחסור בדאטה מסומן. החוקרים בדקו את תפקיד ה־transfer learning במשימות כמו מחלות צמחים, מזיקים, עשבייה וזיהוי מינים. מטרת המחקר הייתה להראות שמודלים מאומנים מראש יכולים לשפר ביצועים ולהקטין את עלות האימון. המסקנה הייתה שבינה מלאכותית בחקלאות מרוויחה מאוד מהעברת ידע בין תחומים, במיוחד משום שמאגרי מידע חקלאיים עדיין קטנים יחסית לעולמות כמו ImageNet.

20. Qin et al. (2025) — Deep Learning for Sustainable Agriculture: A Systematic Review in Lettuce Production
זהו מאמר סקירה ממוקד מאוד בבינה מלאכותית בחקלאות בגידול חסה. החוקרים בדקו שימושים של deep learning באבחון מזיקים ומחלות, precision spraying, גילוי שאריות חומרי הדברה, ניטור מצב גידול, סיווג שלבי צמיחה, חיזוי יבול, ניהול עשבייה וגם השקיה ודישון. מטרת המחקר הייתה להציג שרשרת יישומים מלאה עבור crop-specific AI. המסקנה הייתה שבינה מלאכותית בחקלאות יכולה להקיף כמעט את כל מחזור חיי הגידול, משלב ניטור ועד אוטומציית החלטות.

המחקרים האלו מייצגים את חמשת הכיוונים המרכזיים של בינה מלאכותית בחקלאות מבוססת NN:

CNN לזיהוי מחלות עלים
Deep Learning Survey למיפוי כל התחום
Faster R-CNN / Detection לזיהוי פירות ואובייקטים
DNN לחיזוי יבול
CNN-RNN / סדרות זמן לחיזוי חקלאי מתקדם