Feldaufklärung, um den Zustand der Sojabohnen inmitten des Sommers zu überprüfen - anstrengende, aber notwendige Arbeit beim Entfernen neuer Sorten.
Züchter müssen täglich unter der sengenden Sonne in kritischen Zeiten der wachsenden Saison wandern, um Pflanzen zu finden, die wünschenswerte Merkmale wie eine frühzeitige Reifung von Pods zeigen. Ohne die Möglichkeit zu haben, die Erkennung dieser Zeichen zu automatisieren, können Wissenschaftler nicht so viele Standorte testen, da sie die Zeit erhöhen möchten, um neue Sorten auf dem Markt zu beseitigen.
In der neuen Studie der Universität von Illinois prognostizieren Wissenschaftler die Zeit der Reifung der Sojabohnen innerhalb von zwei Tagen mit Bildern von Drohnen und künstlicher Intelligenz, was die Arbeit erheblich erleichtert.
"Die Beurteilung der Pod-Laufzeit erfordert viel Zeit und hier ist es oft möglich, einen Fehler zu machen, da dieses Bewertungssystem auf der Farbe des Pods basiert, und es besteht die Gefahr, dass es falsch bestimmt ist", sagt Nicholas Martin , Assoziierten Professor der Abteilung für Credicing in Illinois und dem Kooperationskollaborator der Studie. "Viele versuchten, Schnappschüsse von Drohnen zu verwenden, um die Reife zu bewerten, aber wir sind der Erste, der einen genauen Weg, um es zu finden."
Rodrigo Trevizan, ein Doktorand, der mit Martin arbeitet, lehrte Computer, um Farbänderungen auf Bildern aus Drohnen zu erkennen, die in fünf Studien gesammelt wurden, in fünf Anbau-Saison und zwei Ländern. Es ist wichtig zu wissen, dass Computer auch die "schlechten" Bilder in Betracht ziehen und interpretieren konnten.
"Lassen Sie uns sagen, wir möchten alle drei Tage Bilder sammeln, aber sobald die Wolken auftreten oder es regnet, was die Qualität der Bilder beeinflusst. Wenn Sie am Ende Daten für verschiedene Jahre oder an verschiedenen Orten erhalten, werden sie alle von der Sicht der Anzahl der Bilder, den Intervallen usw. unterschieden. Die wichtigste Innovation, die wir entwickelt haben, ist, wie wir alle erhaltenen Informationen berücksichtigen können. Unser Modell funktioniert gut, egal wie oft die Daten gingen ", sagt Trevizan.
Trevisan nutzte die Art der künstlichen Intelligenz, genannt tiefe fundierte neuronale Netze (CNN). Er sagt, dass CNN wie ein Weg ist, den das menschliche Gehirn die Komponenten von Bildern lernt - Farbe, Form, Textur - das heißt, die von unseren Augen erhaltenen Informationen.
"CNN erkennen kleine Farbänderungen neben Formen, Grenzen und Texturen. Für uns war die wichtigste Farbe. Aber der Vorteil von Modellen der künstlichen Intelligenz, die wir benutzten, ist, dass es ziemlich einfach ist, dasselbe Modell zu verwenden, um ein anderes Merkmal, wie zum Beispiel Ertrag oder Spannweite, vorherzusagen. Nun, da wir diese Modelle haben, sollten Menschen die gleiche Strategie viel einfacher sein, um viele andere Aufgaben zu erfüllen ", erklärte Trevizan.
Wissenschaftler sagen, dass Technologie in erster Linie hauptsächlich in der Zucht von Handelsunternehmen sein wird.
"Wir hatten sektorale Partner, die an der Studie teilgenommen haben, die es auf jeden Fall in den kommenden Jahren nutzen würden. Und sie machten einen sehr guten, wichtigen Beitrag. Sie wollten sicherstellen, dass die Antworten für Feldzüchter relevant sind, die Entscheidungen treffen, die Anlagen und Landwirte entscheiden ", sagte Nicholas Martin.
(Quelle: FarmTario.com. Foto: Getty Images).