Дронове и дълбоко обучение

Оризът, основна хранителна култура, се отглежда на близо 162 милиона хектара земя по света. Един от най-често използваните методи за количествено определяне на производството на ориз е преброяването на оризовите растения. Тази техника се използва за оценка на добива, диагностициране на растежа и оценка на загубите в оризища. Повечето процеси на броене на ориз по света все още се извършват ръчно. Това обаче е изключително досадно, трудоемко и отнема много време, което показва необходимостта от по-бързи и по-ефективни машинно базирани решения.

Изследователи от Китай и Сингапур наскоро разработиха метод за замяна на ръчното броене на ориз с много по-сложен метод, включващ използването на безпилотни летателни апарати (UAV) или дронове.

Според професор Jianguo Yao от Университета за пощи и телекомуникации в Нанкин в Китай, който ръководи проучването, „Новата техника използва UAV за заснемане на RGB изображения – изображения, съставени предимно от червена, зелена и синя светлина – на оризището. След това тези изображения се обработват с помощта на a мрежа за дълбоко обучение който разработихме, наречен RiceNet, който може точно да идентифицира гъстотата на оризовите растения в полето, както и да предостави семантични характеристики от по-високо ниво, като местоположение и размер на културата.

Статията им е публикувана Феномика на растенията.

Мрежовата архитектура на RiceNet се състои от един инструмент за извличане на характеристики, в предния край, който анализира входните изображения, и три модула за декодиране на характеристики, които отговарят за оценката на гъстотата на растенията в оризището, местоположението на растенията в оризището и размера на растенията, респ. Последните две характеристики са особено важни за бъдещи изследвания на автоматизирани техники за управление на културите, като пръскане на торове.

Като част от проучването изследователският екип разположи оборудван с камера UAV над оризови полета в китайския град Нанчанг и впоследствие анализира получените данни с помощта на сложен анализ на изображението техника. След това изследователите използваха набор от данни за обучение и набор от тестови данни. Първият беше използван като референция за обучение на системата, а вторият беше използван за валидиране на аналитичните констатации.

По-конкретно, от 355 изображения с 257,793 246 ръчно обозначени точки, 109 бяха избрани на случаен принцип и използвани като обучителни изображения, докато останалите 726 бяха използвани като тестови изображения. Всяко изображение съдържаше средно XNUMX оризови растения.

Според екипа техниката RiceNet, използвана за анализ на изображения, има добро съотношение сигнал/шум. С други думи, той е в състояние ефективно да разграничи оризовите растения от фона, като по този начин подобрява качеството на генерираните карти на гъстотата на растенията.

Резултатите от проучването показват, че средната абсолютна грешка и средната квадратична грешка на техниката RiceNet са съответно 8.6 и 11.2. С други думи, картите на плътността, генерирани с помощта на RiceNet, са в добро съответствие с тези, генерирани с помощта на ръчни методи.

Освен това, въз основа на своите наблюдения, екипът сподели и няколко ключови препоръки. Например, екипът не препоръчва получаване на изображения в дъждовни дни. Той също така предлага събиране на базирани на UAV изображения в рамките на период от 4 часа след изгрев слънце, така че да се сведе до минимум времето за мъгла, както и появата на къдрици на оризови листа, като и двете влияят неблагоприятно на качеството на изхода.

„В допълнение към това, ние допълнително потвърдихме ефективността на нашата техника, използвайки два други популярни набора от данни за реколтата. Резултатите показаха, че нашият метод значително превъзхожда други най-съвременни техники. Това подчертава потенциала на RiceNet да замени традиционния метод за ръчно броене на ориз“, заключава професор Яо.

RiceNet допълнително проправя пътя към други техники за анализ на култури, базирани на UAV и задълбочено обучение, които от своя страна могат да насочват решения и стратегии за подобряване на производството на храни и стокови култури в световен мащаб.