Field reconnaissance for at kontrollere staten sojabønner midt i sommeren - udmattende, men nødvendigt arbejde, når de fjerner nye sorter.
Opdrættere skal vandre dagligt under den brændende sol i kritiske perioder i vækstsæsonen for at finde planter, der viser ønskelige funktioner som tidlig modning af pods. Men uden at have mulighed for at automatisere påvisning af disse tegn, kan forskere ikke teste så mange steder, som de gerne vil øge tiden for at fjerne nye sorter på markedet.
I den nye undersøgelse af University of Illinois forudser forskere tidspunktet for modning af sojabønner inden for to dage ved hjælp af billeder fra droner og kunstig intelligens, hvilket i høj grad letter arbejdet.
"Vurderingen af POD-modenheden kræver meget tid, og her er det ofte muligt at begå en fejl, da dette evalueringssystem er baseret på podens farve, og der er risiko for forkert at bestemme det," siger Nicholas Martin , Lektor i Institut for Creeding i Illinois og samarbejdspartneren for undersøgelsen. "Mange forsøgte at bruge snapshots fra droner til vurdering af modenhed, men vi er de første til at finde en præcis måde at gøre det på."
Rodrigo Trevizan, en ph.d.-studerende, der arbejder med Martin, lærte computere til at opdage farveændringer på billeder fra droner indsamlet i fem forsøg, tre vækstsæson og to lande. Det er vigtigt at bemærke, at computere kunne overveje og fortolke selv de "dårlige" billeder.
"Lad os sige, at vi vil indsamle billeder hver tredje dag, men når skyerne vises eller det regner, hvilket påvirker kvaliteten af billederne. I sidste ende, når du modtager data i forskellige år eller fra forskellige steder, vil de alle ser anderledes ud fra det synspunkt for antallet af billeder, intervaller og så videre. Den vigtigste innovation, vi har udviklet, er, hvordan vi kan tage hensyn til alle de modtagne oplysninger. Vores model fungerer godt, uanset hvor ofte dataene gik, "siger Trevizan.
Trevisan brugte typen af kunstig intelligens, kaldet Deep Convolutional Neural Networks (CNN). Han siger, at CNN er som en måde, som den menneskelige hjerne lærer at fortolke komponenterne i billeder - farve, form, tekstur - det vil sige de oplysninger, der er opnået fra vores øjne.
"CNN opdager små ændringer i farve, udover former, grænser og teksturer. For os var den vigtigste farve. Men fordelen ved modeller af kunstig intelligens, som vi brugte, er, at det ville være ret nemt at bruge den samme model til at forudsige en anden karakteristik, såsom udbytte eller spænding. Så nu, hvor vi har disse modeller, skal folk være meget nemmere at bruge den samme strategi til at opfylde mange andre opgaver, "forklarede Trevizan.
Forskere siger, at teknologien primært vil være nyttigt primært i avls kommercielle virksomheder.
"Vi havde sektorspartnere, der deltog i undersøgelsen, som bestemt ville bruge det i de kommende år. Og de lavede et meget godt, vigtigt bidrag. De ønskede at sikre, at svarene er relevante for feltavlere, der træffer beslutninger, der vælger planter og for landmændene, "sagde Nicholas Martin.
(Kilde: Farmtario.com. Foto: Getty Images).