![ഡ്രോണുകളും കൃത്രിമബുദ്ധിയും സോയാബീന്റെ പക്വത ഉയർന്ന കൃത്യതയോടെ നിർണ്ണയിക്കുന്നു 5259_1](/userfiles/21/5259_1.webp)
വേനൽക്കാലത്ത് സോയാബീൻ സംസ്ഥാനം പരിശോധിക്കുന്നതിനുള്ള ഫീൽഡ് റിട്ടോനസേഷൻ - ക്ഷീണിക്കുന്നത്, പക്ഷേ പുതിയ ഇനങ്ങൾ നീക്കംചെയ്യുമ്പോൾ ആവശ്യമായ ജോലി.
വളരുന്ന സീസണിലെ ഗുരുതരമായ സൂര്യന്റെ കീഴിൽ ബ്രീഡർമാർ ദിവസവും അലഞ്ഞുനടക്കണം. പോഡ്സ് നേരത്തെ പഴുത്ത തുടങ്ങിയ അഭിമാനകരമായ സവിശേഷതകൾ കാണിക്കുന്ന സസ്യങ്ങൾ. എന്നാൽ, ഈ അടയാളങ്ങൾ കണ്ടെത്തുന്നതിന് ഓട്ടോമേറ്റ് ചെയ്യാതെ, ശാസ്ത്രജ്ഞർക്ക് നിരവധി സൈറ്റുകൾ പരീക്ഷിക്കാൻ കഴിയില്ല, കാരണം പുതിയ ഇനങ്ങൾ ഇല്ലാതാക്കാനുള്ള സമയം വർദ്ധിപ്പിക്കാൻ ആഗ്രഹിക്കുന്നത്ര സൈറ്റുകൾ പരീക്ഷിക്കാൻ കഴിയില്ല.
ഇല്ലിനോയിസ് സർവകലാശാലയുടെ പുതിയ പഠനത്തിൽ, ഡ്രോണുകളിൽ നിന്നും കൃത്രിമബുദ്ധിയിൽ നിന്നോ ഉള്ള ചിത്രങ്ങൾ ഉപയോഗിച്ച് രണ്ട് ദിവസത്തിനുള്ളിൽ സോയാബീനേസിന്റെ നീളുന്നു സമയം ശാസ്ത്രജ്ഞർ പ്രവചിക്കുന്നു.
"പോഡ് മെക്റ്റിക്ക് മൂല്യനിർണ്ണയത്തിന് ധാരാളം സമയവും ആവശ്യമാണ്, ഇവിടെ ഒരു തെറ്റ് സംഭവിക്കാൻ സാധ്യമാണ്, കാരണം ഈ മൂല്യനിർവദയം പോഡിന്റെ നിറത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, അത് തെറ്റായി നിർണ്ണയിക്കാനുള്ള സാധ്യതയുണ്ട്," നിക്കോളാസ് മാർട്ടിൻ പറയുന്നു , ഇല്ലിനോയിസിൽ വിശ്വാസ വകുപ്പിന്റെ പ്രൊഫസറും പഠന സഹകരണക്കാരനും. "പക്വത വിലയിരുത്തുന്നതിന് പലരും ഡ്രോണുകളിൽ നിന്ന് സ്നാപ്പ്ഷോട്ടുകൾ ഉപയോഗിക്കാൻ ശ്രമിച്ചു, പക്ഷേ അത് ചെയ്യാനുള്ള കൃത്യമായ മാർഗ്ഗം ഞങ്ങൾ ആദ്യം കണ്ടെത്തുന്നു."
റോഡ്രിഗോ ട്രെവിസൻ, മാർട്ടിൻ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്ന ഒരു ഡോക്ടറൽ വിദ്യാർത്ഥി, അഞ്ച് ട്രയലുകൾ, വളരുന്ന മൂന്ന് രാജ്യങ്ങൾ, രണ്ട് രാജ്യങ്ങൾ എന്നിവയിൽ വർണ്ണ മാറ്റങ്ങൾ കണ്ടെത്തുന്നതിന് കമ്പ്യൂട്ടറുകളെ പഠിപ്പിച്ചു. "മോശം" ചിത്രങ്ങൾ പോലും പരിഗണിക്കാനും വ്യാഖ്യാനിക്കാനും കമ്പ്യൂട്ടറുകൾക്ക് കഴിഞ്ഞു എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്.
"ഓരോ മൂന്ന് ദിവസത്തിലും ഇമേജുകൾ ശേഖരിക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു, പക്ഷേ മേഘങ്ങൾ പ്രത്യക്ഷപ്പെടുകയോ മഴ പെയ്യുകയോ ചെയ്താൽ, ചിത്രങ്ങളുടെ ഗുണനിലവാരത്തെ ബാധിക്കുന്ന മഴ പെയ്യുന്നു. അവസാനം, നിങ്ങൾക്ക് വ്യത്യസ്ത വർഷങ്ങളോ വിവിധ സ്ഥലങ്ങളിൽ നിന്നോ ഡാറ്റ ലഭിക്കുമ്പോൾ, അവയെല്ലാം ചിത്രങ്ങളുടെ എണ്ണം, ഇടവേളകളുടെ എണ്ണം എന്നിവയുടെ അടിസ്ഥാനത്തിൽ നിന്ന് വ്യത്യസ്തമായി കാണപ്പെടും. ലഭിച്ച എല്ലാ വിവരങ്ങളും കണക്കിലെടുക്കാമെന്ന് ഞങ്ങൾ വികസിപ്പിച്ചെടുത്ത പ്രധാന കണ്ടുപിടുത്തം. ഞങ്ങളുടെ മോഡൽ എത്ര തവണ പോകുന്നു എന്നത് പ്രശ്നമല്ല, "ട്രെവിസൻ പറയുന്നു.
ആഴത്തിലുള്ള പരിപൂർവമായ ന്യൂറൽ നെറ്റ്വർക്കുകൾ (സിഎൻഎൻ) എന്ന് വിളിക്കപ്പെടുന്ന കൃത്രിമ രഹസ്യാന്വേഷണ തരം ട്രെവിസൻ ഉപയോഗിച്ചു. ചിത്രങ്ങളുടെ ഘടകങ്ങൾ വ്യാഖ്യാനിക്കാൻ പഠിക്കുന്ന ഒരു മാർഗ്ഗം പോലെയാണ് സിഎൻഎൻ എന്ന് അദ്ദേഹം പറയുന്നു - നിറം, ആകൃതി, ടെക്സ്ചർ - അതായത്, നമ്മുടെ കാഴ്ചയിൽ നിന്ന് ലഭിച്ച വിവരങ്ങൾ.
"ഫോമുകൾ, ബോർഡറുകൾ, ടെക്സ്ചറുകൾ എന്നിവ കൂടാതെ ചെറിയ മാറ്റങ്ങൾ ഉപയോഗിച്ച് ചെറിയ മാറ്റങ്ങൾ കണ്ടെത്തുക. ഞങ്ങൾക്ക്, ഏറ്റവും പ്രധാനപ്പെട്ടവ നിറമായിരുന്നു. എന്നാൽ ഞങ്ങൾ ഉപയോഗിച്ച കൃത്രിമബുദ്ധിയുടെ മോഡലുകളുടെ ഗുണം, വിളവ് അല്ലെങ്കിൽ സ്പാൻ പോലുള്ള മറ്റൊരു സ്വഭാവം പ്രവചിക്കാൻ ഒരേ മാതൃക ഉപയോഗിക്കുന്നത് വളരെ ലളിതമാണ്. അതിനാൽ, ഇപ്പോൾ ഞങ്ങൾക്ക് ഈ മോഡലുകൾ ഉണ്ട്, മറ്റ് പല ജോലികളും നിറവേറ്റുന്നതിനുള്ള ഒരേ തന്ത്രം ഉപയോഗിക്കാൻ ആളുകൾ വളരെ എളുപ്പമായിരിക്കണം, "ട്രെവിസൻ വിശദീകരിച്ചു.
വാണിജ്യ കമ്പനികളിൽ സാങ്കേതികവിദ്യ പ്രാഥമികമായി ഉപയോഗപ്രദമാകുമെന്ന് ശാസ്ത്രജ്ഞർ പറയുന്നു.
"വരും വർഷങ്ങളിൽ ഇത് ഉപയോഗിക്കാൻ ആഗ്രഹിക്കുന്ന പഠനത്തിൽ പങ്കെടുത്ത മേഖലാ പങ്കാളികളുണ്ടായിരുന്നു. അവർ വളരെ പ്രധാനപ്പെട്ട സംഭാവന നൽകി. ഫീൽഡ് ബ്രീഡർമാർക്ക് സസ്യങ്ങളും കർഷകരും തിരഞ്ഞെടുക്കുന്നതായി നിർത്തുന്ന ഫീൽഡ് ബ്രീഡർമാർക്ക് ഉത്തരങ്ങൾ പ്രസക്തമാണെന്ന് അവർ ആഗ്രഹിച്ചു, "നിക്കോളാസ് മാർട്ടിൻ പറഞ്ഞു.
(ഉറവിടം: ഫാർട്ടാരി.കോം. ഫോട്ടോ: ഗെറ്റി ഇമേജുകൾ).