Fjildferkenning foar it kontrolearjen fan 'e steat sojabonen yn' e midden fan 'e simmer - útputtend, mar needsaaklik wurk by it ferwiderjen fan nije fariëte.
Fokkers moatte alle dagen swalkje ûnder de skuorjende sinne yn krityske perioaden fan it groeiende seizoen om planten te finen dat winsklike funksjes lykas betiid rypjen fan pods. Mar, sûnder de kâns te hawwen om de deteksje fan dizze tekens te hawwen, kinne wittenskippers net safolle siden testen, om't se de tiid wolle ferheegje om nije fariëtein te eliminearjen om nije fariëte te eliminearjen yn 'e merke.
Yn 'e nije stúdzje fan' e Universiteit fan Illinois ûndersykje wittenskippers de tiid fan 'e maturaasje fan Soybeans binnen twa dagen mei ôfbyldings fan Drones en keunstmjittige yntelliginsje, dy't wurch wurket.
"De beoardieling fan 'e POD-matuere freget in soad tiid en hjir is faaks in flater te meitsjen, om't dit evaluaasjestelsel is basearre op' e kleur fan 'e pod, en d'r is in risiko op it iepenbier te bepalen," seit Nicholas Martin , Associate professor fan 'e ôfdieling fan' e leden yn Illinois en de kollaurator fan 'e stúdzje. "In protte besochten snapshots te brûken út drones om maturity te beoardieljen, mar wy binne de earste dy't in krekte manier fine om it te dwaan."
Rodrigo Trevizan, in doktoraat dy't wurket mei Martin, learde kompjûters om kleurferoaringen te detektearjen op ôfbyldings fan drones yn fiif triedden, trije groeiende seizoen en twa lannen. It is wichtich om te merken dat kompjûters koe beskôgje en sels de "minne" ôfbyldings kinne beskôgje en ynterpretearje.
"Litte wy sizze dat wy elke trije dagen elke trije dagen wolle sammelje, mar ienris ferskine as reint it, dy't de kwaliteit fan 'e ôfbyldings beynfloedet. Uteinlik, as jo gegevens krije foar ferskate jierren of fan ferskate plakken, sille se allegear oars sjogge út it eachpunt fan it oantal ôfbyldings, yntervallen ensafuorthinne. De wichtichste ynnovaasje Wy hawwe ûntwikkele, is hoe't wy kinne rekken hâlde mei alle ûntfongen ynformaasje. Us model wurket goed, nettsjinsteande hoe faak de gegevens gongen, "seit Trevizan.
Trevisan brûkte it type keunstmjittige yntelliginsje, neamd Deep Kalkolúsjoneel neurale netwurken (CNN). Hy seit dat CNN is as in manier is om de minsklike harsens te learen om de komponinten fan ôfbyldings te ynterpretearjen - kleur, foarm, textuur - dat is, de ynformaasje krigen fan ús eagen.
"CNN detektearje lytse feroaringen yn kleur, neist foarmen, grinzen en tekstueren. Foar ús wie it wichtichste kleur. Mar it foardiel fan modellen fan keunstmjittige yntelliginsje, dy't wy hawwe brûkt, is dat it heul ienfâldich soe wêze om itselde model te brûken om in oar karakteristyk te brûken, lykas opbringst of span. Dus, no't wy dizze modellen hawwe, soene minsken folle makliker wêze om deselde strategy te brûken om in soad oare taken te brûken om te ferfoljen, "Trevizan útlein.
Wittenskippers sizze dat technology primêr nuttich sil wêze yn fokkerij fan kommersjele bedriuwen.
"Wy hienen sektalen partners dy't meidie oan 'e stúdzje dy't it perfoarst soe wolle brûke om it yn' e kommende jierren te brûken. En se makken in heul goede, wichtige bydrage. Se woene derfoar soargje dat de antwurden relevant binne foar fjildfokkerijen dy't besluten meitsje dy't planten kieze en foar boeren, "sei Nicholas Martin.
(Boarne: Farmtario.com. Foto: Getty Images).