여름 중간에 콩의 상태를 확인하기위한 현장 정찰은 새로운 품종을 제거 할 때 필요한 작업을 수행합니다.
브리더는 포드의 초기 숙성과 같은 바람직한 기능을 보여주는 식물을 발견하는 시즌의 중요한 기간 동안 성장하는 시즌에 매일 매일 방황해야합니다. 그러나 이러한 징후의 탐지를 자동화 할 수있는 기회가 없으면 과학자들은 새로운 품종을 시장에 없애기 위해 시간을 늘리기 위해 많은 사이트를 테스트 할 수 없습니다.
일리노이 대학교 (University of Illinois)의 새로운 연구에서 과학자들은 무인 항공기와 인공 지능의 이미지를 사용하여 2 일 이내에 콩의 성숙 시간을 예측하여 업무를 크게 촉진합니다.
"포드 성숙도의 평가는 많은 시간이 필요하며,이 평가 시스템은 포드의 색상을 기반으로하며, 잘못 결정할 위험이 있습니다." 일리노이 주에서 신축학과 교수와 연구 협력자와 협력합니다. "많은 사람들이 성숙도를 평가하기 위해 무인 항공기에서 스냅 샷을 사용하려고했지만, 우리는 그것을하는 정확한 방법을 발견하는 것이 가장 먼저 있습니다."
Martin으로 일하는 박사 학생 인 로드리고 트레 베인 (Rodrigo Trevizan)은 5 개의 시련에 수집 된 무인 항공기 및 양국에서 수집 된 무인 항공기의 이미지의 색 변경을 탐지 할 수있는 컴퓨터가 가르쳤습니다. 컴퓨터는 "나쁜"이미지조차 고려하고 해석 할 수 있음을 유의해야합니다.
"우리가 3 일마다 이미지를 수집하고 싶지만 구름이 나타나거나 비가 오면 그림의 품질에 영향을 미치는 것으로 가정 해보자. 결국, 다른 연도 또는 다른 장소에서 데이터를 받으면 이미지 수, 간격 등의 관점과 모두 다르게 보일 것입니다. 우리가 개발 한 주요 혁신은 우리가받은 모든 정보를 고려할 수있는 방법입니다. 우리의 모델은 데이터가 얼마나 자주 가는지 상관없이 잘 작동합니다. "라고 Trevizan은 말합니다.
Trevisan은 Deep Convigultal 신경망 (CNN)이라는 인공 지능의 유형을 사용했습니다. 그는 CNN이 인간의 뇌가 이미지의 구성 요소를 해석하는 방법 - 색상, 모양, 질감 - 즉, 우리의 눈에서 얻은 정보를 배우는 방법과 같습니다.
"CNN은 양식, 테두리 및 텍스처 외에도 색상이 작은 변화를 탐지합니다. 우리를 위해 가장 중요한 것은 색깔이었습니다. 그러나 우리가 사용한 인공 지능의 모델의 장점은 수확량이나 스팬과 같은 다른 특성을 예측하기 위해 동일한 모델을 사용하는 것이 매우 간단합니다. 그래서, 우리는이 모델을 가지고 있기 때문에 사람들은 다른 많은 작업을 수행하기 위해 동일한 전략을 사용하기가 훨씬 쉽습니다. "라고 Trevizan은 설명했습니다.
과학자들은 기술이 주로 상업 회사를 번식시키는 데 유용 할 것입니다.
"우리는 앞으로 몇 년 동안 그것을 확실히 사용하고 싶어하는 연구에 참여한 부문 별 파트너가있었습니다. 그리고 그들은 아주 중요하고 중요한 공헌을했습니다. 그들은 답변은 식물과 농부들을 선택하는 결정을 내리는 현장 육종자들과 관련이 있는지 확인하고 싶었습니다. "라고 Nicholas Martin은 말했습니다.
(출처 : farmtario.com. 사진 : Getty Images).