![Անօդաչուներն ու արհեստական ինտելեկտը սահմանում են սոյայի հասունությունը բարձր ճշգրտությամբ 5259_1](/userfiles/21/5259_1.webp)
Դաշտային հետախուզություն Soybean- ի վիճակը ամառվա կեսին ստուգելու համար `սպառիչ, բայց անհրաժեշտ աշխատանք նոր սորտերը հեռացնելիս:
Բուծողներն ամեն օր պետք է թափառեն այրվող արեւի տակ աճող սեզոնի կրիտիկական ժամանակահատվածներում `ցանկալի առանձնահատկություններ ցուցադրող բույսեր գտնելու համար, ինչպիսիք են պատիճների վաղ հասունացումը: Բայց, առանց այս նշանների հայտնաբերումը ավտոմատացնելու հնարավորություն ունենալու, գիտնականները չեն կարող ստուգել այնքան կայքեր, որքան կցանկանային բարձրացնել շուկայում նոր սորտերը վերացնելու ժամանակը:
Իլինոյսի համալսարանի նոր ուսումնասիրության ընթացքում գիտնականները կանխատեսում են սոյայի հասունացման ժամանակը երկու օրվա ընթացքում, օգտագործելով անօդաչու թռչուններից եւ արհեստական ինտելեկտից պատկերներ, որոնք մեծապես հեշտացնում են աշխատանքը:
«Պատիճ հասունության գնահատումը շատ ժամանակ է պահանջում, եւ այստեղ հաճախ հնարավոր է սխալվել, քանի որ գնահատման այս համակարգը հիմնված է պատիճի գույնի վրա, եւ դա սխալ է որոշելու ռիսկը», - ասում է Նիկոլաս Մարտինը , Իլինոյս նահանգի Կրեդինգի ամբիոնի դոցենտ եւ ուսումնասիրության համագործակցող: «Շատերը փորձեցին անօդաչու թռչող սարքերից օգտագործել` հասունությունը գնահատելու համար, բայց մենք առաջինն ենք, որ դա անելու ճշգրիտ միջոց ենք »:
Ռոդրիգո Տրեւիզանը, Մարտինի հետ աշխատող դոկտորանտուրա, ուսուցիչներ դասավանդում է հինգ փորձարկումներում հավաքված անօդաչու թռչող սարքերից եւ երկու երկրներում հավաքված անօդաչու թռչող սարքերից պատկերների գույնի փոփոխությունները հայտնաբերելու համար: Կարեւոր է նշել, որ համակարգիչները կարողացան դիտարկել եւ մեկնաբանել նույնիսկ «վատ» պատկերները:
«Ասենք, որ մենք ուզում ենք ամեն երեք օր պատկերներ հավաքել, բայց ամպերը հայտնվելուց հետո, կամ անձրեւ է գալիս, ինչը ազդում է նկարների որակի վրա: Վերջում, երբ տվյալներ եք ստանում տարբեր տարիների կամ տարբեր վայրերից, նրանք բոլորը տարբերվելու են պատկերների քանակի, ընդմիջումների եւ այլնի տեսանկյունից: Մեր մշակած հիմնական նորամուծությունը այն է, թե ինչպես կարող ենք հաշվի առնել ստացված բոլոր տեղեկությունները: Մեր մոդելը լավ է գործում, անկախ նրանից, թե որքան հաճախ են գնում տվյալները », - ասում է Տրեվիզանը:
Trevisan- ը օգտագործեց արհեստական ինտելեկտի տեսակը, որը կոչվում է Deep Compolonal Neural Networks (CNN): Նա ասում է, որ CNN- ը նման է այնպիսի ճանապարհի, որով մարդկային ուղեղը սովորում է մեկնաբանել պատկերների բաղադրիչները `գույնը, ձեւը, հյուսվածքը, այսինքն` մեր աչքերից ստացված տեղեկատվությունը:
«CNN- ը հայտնաբերում է գույնի փոքր փոփոխություններ, բացի ձեւերից, սահմաններից եւ հյուսվածքներից: Մեզ համար ամենակարեւորը գույնն էր: Բայց արհեստական ինտելեկտի մոդելների առավելությունն այն է, որ մենք օգտագործեցինք, այն է, որ նույն մոդելի օգտագործումը օգտագործելը `մեկ այլ բնութագիր կանխատեսելու համար, ինչպիսիք են բերքատվությունը կամ տեւողությունը: Այսպիսով, հիմա, երբ մենք ունենք այս մոդելները, մարդիկ պետք է շատ ավելի հեշտ լինեն օգտագործել նույն ռազմավարությունը `այլ առաջադրանքներ կատարելու համար», - բացատրեց Տրեւիզանը:
Գիտնականներն ասում են, որ տեխնոլոգիան օգտակար կլինի հիմնականում առեւտրային ընկերություններում:
«Մենք ունեինք ոլորտային գործընկերներ, որոնք մասնակցեցին ուսումնասիրությանը, որն անպայման կցանկանար օգտագործել այն առաջիկա տարիներին: Եվ նրանք շատ լավ, կարեւոր ներդրում ունեցան: Նրանք ուզում էին համոզվել, որ պատասխանները տեղին են դաշտային բուծողների համար, որոնք որոշումներ են կայացնում բույսեր եւ ֆերմերների համար », - ասաց Նիկոլաս Մարտինը:
(Աղբյուր, farmtario.com. Լուսանկարը, Getty Images):