Drony i głębokie uczenie się

Ryż, główna roślina uprawna, jest uprawiany na prawie 162 milionach hektarów ziemi na całym świecie. Jedną z najczęściej stosowanych metod ilościowego określania produkcji ryżu jest liczenie roślin ryżu. Ta technika służy do szacowania plonów, diagnozowania wzrostu i oceny strat na polach ryżowych. Większość procesów liczenia ryżu na całym świecie nadal odbywa się ręcznie. Jest to jednak niezwykle żmudne, pracochłonne i czasochłonne, co wskazuje na potrzebę szybszych i wydajniejszych rozwiązań opartych na maszynach.

Naukowcy z Chin i Singapuru opracowali niedawno metodę zastępującą ręczne liczenie ryżu znacznie bardziej wyrafinowaną metodą, polegającą na wykorzystaniu bezzałogowych statków powietrznych (UAV) lub dronów.

Według profesora Jianguo Yao z Uniwersytetu Poczty i Telekomunikacji w Nanjing w Chinach, który kierował badaniami: „Nowa technika wykorzystuje UAV do przechwytywania obrazów RGB – obrazów składających się głównie ze światła czerwonego, zielonego i niebieskiego – pola ryżowego. Obrazy te są następnie przetwarzane za pomocą sieć głębokiego uczenia opracowany przez nas system o nazwie RiceNet, który może dokładnie identyfikować zagęszczenie roślin ryżu na polu, a także zapewnia funkcje semantyczne wyższego poziomu, takie jak położenie i rozmiar upraw”.

Ich artykuł został opublikowany Fenomika roślin.

Architektura sieci RiceNet składa się z jednego ekstraktora cech, na przednim końcu, który analizuje obrazy wejściowe, oraz trzech modułów dekodera cech, które są odpowiedzialne za oszacowanie zagęszczenia roślin na polu ryżowym, lokalizacji roślin na polu ryżowym oraz odpowiednio wielkość roślin. Te dwie ostatnie cechy są szczególnie ważne dla przyszłych badań nad zautomatyzowanymi technikami zarządzania uprawami, takimi jak opryskiwanie nawozami.

W ramach badań zespół badawczy rozmieścił wyposażony w kamerę UAV nad polami ryżowymi w chińskim mieście Nanchang, a następnie przeanalizował uzyskane dane za pomocą zaawansowanego Analiza obrazu technika. Następnie naukowcy wykorzystali treningowy zestaw danych i testowy zestaw danych. Pierwszy z nich posłużył jako punkt odniesienia do uczenia systemu, a drugi do weryfikacji wyników analiz.

Mówiąc dokładniej, spośród 355 obrazów z 257,793 246 punktami oznaczonymi ręcznie, 109 wybrano losowo i wykorzystano jako obrazy treningowe, podczas gdy pozostałe 726 wykorzystano jako obrazy testowe. Każdy obraz zawierał średnio XNUMX roślin ryżu.

Zdaniem zespołu technika RiceNet zastosowana do analizy obrazu ma dobry stosunek sygnału do szumu. Innymi słowy, jest w stanie skutecznie odróżnić rośliny ryżu od tła, poprawiając w ten sposób jakość generowanych map gęstości roślin.

Wyniki badania wykazały, że średni błąd bezwzględny i błąd średniokwadratowy techniki RiceNet wyniosły odpowiednio 8.6 i 11.2. Innymi słowy, mapy gęstości wygenerowane za pomocą RiceNet były dobrze zgodne z mapami wygenerowanymi metodami ręcznymi.

Co więcej, w oparciu o swoje obserwacje, zespół podzielił się także kilkoma kluczowymi zaleceniami. Na przykład zespół nie zaleca wykonywania zdjęć w deszczowe dni. Sugeruje również zbieranie obrazów z UAV w ciągu 4 godzin po wschodzie słońca, aby zminimalizować czas mgły, a także występowanie zwijania się liści ryżu, które niekorzystnie wpływają na jakość wyjściową.

„Oprócz tego dokonaliśmy dalszej walidacji wydajności naszej techniki przy użyciu dwóch innych popularnych zestawów danych dotyczących upraw. Wyniki pokazały, że nasza metoda znacznie przewyższa inne najnowocześniejsze techniki. To podkreśla potencjał RiceNet w zakresie zastąpienia tradycyjnej metody ręcznego liczenia ryżu”, podsumowuje profesor Yao.

RiceNet dalej toruje drogę innym technikom analizy upraw opartym na UAV i głębokiemu uczeniu się, które z kolei mogą kierować decyzjami i strategiami mającymi na celu poprawę produkcji żywności i upraw dochodowych na całym świecie.