Αναγνώριση πεδίου για τον έλεγχο της κατάστασης των σόγιας στη μέση του καλοκαιριού - εξαντλητική, αλλά απαραίτητη εργασία κατά την αφαίρεση νέων ποικιλιών.
Οι κτηνοτρόφοι πρέπει να περιπλανηθούν καθημερινά κάτω από τον καυτό ήλιο σε κρίσιμες περιόδους της καλλιεργητικής σεζόν για να βρουν φυτά που δείχνουν επιθυμητά χαρακτηριστικά όπως η πρόωρη ωρίμανση των λοβών. Αλλά, χωρίς να έχει την ευκαιρία να αυτοματοποιήσετε την ανίχνευση αυτών των σημείων, οι επιστήμονες δεν μπορούν να δοκιμάσουν τόσες τοποθεσίες όπως θα ήθελαν να αυξήσουν το χρόνο για να εξαλείψουν νέες ποικιλίες στην αγορά.
Στη νέα μελέτη του Πανεπιστημίου του Ιλινόις, οι επιστήμονες προβλέπουν τον χρόνο της ωρίμανσης των σόγιας εντός δύο ημερών χρησιμοποιώντας εικόνες από drones και τεχνητή νοημοσύνη, οι οποίες διευκολύνουν σημαντικά την εργασία.
"Η αξιολόγηση της ωριμότητας POD απαιτεί πολύ χρόνο και εδώ είναι συχνά δυνατό να γίνει λάθος, καθώς αυτό το σύστημα αξιολόγησης βασίζεται στο χρώμα του pod και υπάρχει κίνδυνος εσφαλμένη προσδιορισμού του", λέει ο Nicholas Martin , Αναπληρωτής Καθηγητής του Τμήματος Κατηγορίας στο Ιλλινόις και τον συνεργάτη της μελέτης. "Πολλοί προσπάθησαν να χρησιμοποιήσουν στιγμιότυπα από τα drones για να αξιολογήσουν την ωριμότητα, αλλά είμαστε οι πρώτοι που θα βρούμε έναν ακριβή τρόπο για να το κάνουμε".
Ο Rodrigo Trevizan, ένας διδακτορικός φοιτητής που εργάζεται με τον Martin, δίδαξε υπολογιστές για να ανιχνεύσει αλλαγές χρώματος σε εικόνες από drones που συλλέγονται σε πέντε δοκιμές, τρεις καλλιεργητικές περιόδους και δύο χώρες. Είναι σημαντικό να σημειωθεί ότι οι υπολογιστές ήταν σε θέση να εξετάσουν και να ερμηνεύσουν ακόμη και τις "κακές" εικόνες.
"Ας πούμε ότι θέλουμε να συλλέξουμε εικόνες κάθε τρεις μέρες, αλλά μόλις εμφανιστούν τα σύννεφα ή βρέχουν, που επηρεάζει την ποιότητα των εικόνων. Στο τέλος, όταν λαμβάνετε δεδομένα για διαφορετικά έτη ή από διαφορετικά μέρη, όλοι θα φαίνονται διαφορετικά από την άποψη του αριθμού των εικόνων, των διασκορπίων και ούτω καθεξής. Η κύρια καινοτομία που αναπτύξαμε είναι ο τρόπος με τον οποίο μπορούμε να λάβουμε υπόψη όλες τις πληροφορίες που ελήφθησαν. Το μοντέλο μας λειτουργεί καλά, ανεξάρτητα από το πόσο συχνά τα δεδομένα πήγαιναν ", λέει ο Trevizan.
Το Trevisan χρησιμοποίησε τον τύπο της τεχνητής νοημοσύνης, που ονομάζεται Deep Convolutical Neural Networks (CNN). Λέει ότι το CNN είναι σαν έναν τρόπο στον οποίο ο ανθρώπινος εγκέφαλος μαθαίνει να ερμηνεύει τα συστατικά των εικόνων - χρώμα, σχήμα, υφή - δηλαδή, οι πληροφορίες που λαμβάνονται από τα μάτια μας.
"Η CNN ανιχνεύει μικρές αλλαγές στο χρώμα, εκτός από τα έντυπα, τα σύνορα και τις υφές. Για εμάς, το πιο σημαντικό ήταν το χρώμα. Αλλά το πλεονέκτημα των μοντέλων τεχνητής νοημοσύνης, το οποίο χρησιμοποιήσαμε, είναι ότι θα ήταν πολύ απλό να χρησιμοποιηθεί το ίδιο μοντέλο για να προβλέψουμε ένα άλλο χαρακτηριστικό, όπως απόδοση ή άνοιγμα. Έτσι, τώρα που έχουμε αυτά τα μοντέλα, οι άνθρωποι πρέπει να είναι πολύ πιο εύκολοι στη χρήση της ίδιας στρατηγικής για την εκπλήρωση πολλών άλλων καθηκόντων ", εξήγησε το Trevizan.
Οι επιστήμονες λένε ότι η τεχνολογία θα είναι χρήσιμη κυρίως στις εμπορικές εταιρείες αναπαραγωγής.
"Είχαμε τομεακούς εταίρους που συμμετείχαν στη μελέτη που σίγουρα θα ήθελε να το χρησιμοποιήσει τα επόμενα χρόνια. Και έκαναν μια πολύ καλή, σημαντική συμβολή. Ήθελαν να διασφαλίσουν ότι οι απαντήσεις είναι σχετικές για τους κτηνοτρόφους που λαμβάνουν αποφάσεις που επιλέγουν φυτά και για τους αγρότες ", δήλωσε ο Nicholas Martin.
(Πηγή: Farmtario.com. Φωτογραφία: Getty Images).