Wykrywanie alternarii za pomocą dronów

Drony mogą pomóc hodowcom ziemniaków w szybkim wykrywaniu alternarii. Tak stwierdził Ruben van de Vijver z Instytutu Badań Rolnictwa, Rybołówstwa i Żywności (ILVO) podczas belgijskich targów ziemniaczanych Interpom.

ILVO od pewnego czasu eksperymentuje z wykrywaniem alternatywarii za pomocą czujników, dronów i sztucznej inteligencji. „Staramy się dać hodowcy więcej informacji, lepszy przegląd za pośrednictwem drona” – mówi naukowiec. Dodał, że nie dojdzie do punktu, w którym sztuczna inteligencja może całkowicie zastąpić wiedzę hodowcy.

Wczesny etap

Plamy grzybicze można również szybko wykryć za pomocą dronów. „Czujniki na dronach pomagają wykryć chorobę w terenie tak wcześnie, jak to możliwe”, mówi Van de Vijver. „Dzięki sztucznej inteligencji można już zaobserwować chorobę grzybiczą na jednej roślinie. To znacznie szybciej niż hodowca może zobaczyć, zwykle widzi to tylko wtedy, gdy zainfekowane są duże obszary. Ważne jest, aby zabić chorobę, gdy znajdzie się w twojej roślinie, a im wcześniej ją złapiesz, tym bardziej możesz ograniczyć jej wpływ. Dzięki temu wczesnemu wykrywaniu hodowca może skutecznie interweniować poprzez ukierunkowane opryskiwanie przy ograniczonym wpływie na środowisko i finanse”.

Wyniki za pomocą tabletu

Dzięki tej technologii rolnik otrzymuje za pośrednictwem tabletu więcej informacji i przegląd miejsca występowania choroby na polu. Intencją jest, aby mógł rozpylać mniej i dokładniej. „Hodowca może pominąć oprysk lub odłożyć go na kilka dni. Ziemniaki opryskuje się od 10 do 18 razy, w zależności od pogody. Jeśli możesz przełożyć oprysk o dwa dni, oznacza to ogromny zysk”.

Automatyczne wykrywanie zarazy wczesnej spowodowanej przez Alternaria solani Mogłoby to przyczynić się do drastycznego zmniejszenia zużycia środków ochrony roślin i związanych z tym strat produkcyjnych. Zbudowano i skalibrowano platformę czujników proksymalnych do pozyskiwania obrazów hiperspektralnych o wysokiej rozdzielczości w terenie, a następnie wykorzystano ją do dokładnego mapowania zmian wywołanych przez Alternaria. Uzyskano obrazy odbicia korony o wysokiej rozdzielczości dla 32 roślin ziemniaka zakażonych A. solani i 32 zdrowych roślin referencyjnych.

Klasyfikatory widmowe jak analiza dyskryminacyjna metodą cząstkowych najmniejszych kwadratów (PLS-DA) i wsparcie vector przetestowano maszyny (SVM) na podstawie wyników PCA w celu rozróżnienia pikseli dotkniętych i nieuszkodzonych. Obydwa klasyfikatory widmowe radziły sobie dobrze na poziomie pikseli z dokładnością powyżej 0.92. Region NIR (750 nm) zidentyfikowano jako najbardziej różnicującą część widma do wykrywania zmian chorobowych. Ponieważ presję chorobową zazwyczaj wyraża się jako liczbę zmian chorobowych na obszar, dokładność została również oceniona na tym poziomie.

Wskazuje to na znaczną liczbę fałszywych detekcji na krawędziach liści i kątach liści. Dlatego w oparciu o wiedzę ekspercką na temat kształtu zmian Alternaria zaprojektowano drzewo decyzyjne, które wykorzystano do post-processingu sklasyfikowanych obrazów. Zmniejszyło to liczbę fałszywych detekcji, zwiększając precyzję z 0.17 do 0.22 kosztem zmniejszenia przywołania z 0.88 do 0.84. Pozostawia to znaczne pole do poprawy dokładności klasyfikacji na poziomie obiektu. Dowiedzieliśmy się, że (1) wystarczy kilka, szerokich fal i (2) kontekst przestrzenny jest niezbędny do wykrycia zmian spowodowanych infekcją Alternaria.

Zastosowanie potężniejszych technik klasyfikacji obiektów, takich jak konwolucyjne sieci neuronowe, w celu zwiększenia wydajności modelu poprzez skuteczne zamknięcie kontekstu przestrzennego w klasyfikatorze, może jeszcze bardziej poprawić wydajność wykrywania. Może to utorować drogę do mapowania Alternaria opartego na UAV lub traktorze.

/mądry