गर्मीको बीचमा सोयाबीनको अवस्था जाँच गर्नका लागि क्षेत्रहरू नयाँ प्रजातिहरू हटाउँदा थकाउने, तर आवश्यक काम।
फीस्टरहरू दैनिक चोकरको भत्ताको दायरात्मक अवधिमा दैनिक घुमाउने घाँटीमा घुमाउने छन् जुन बोटबिरुवाहरू फेला पार्न चाहन्छन् जस्तै पोडहरूको प्रारम्भिक पाकेको पाइप जस्ता बोटहरू। तर यी संकेतहरूको पहिचानलाई स्वचालित नगरी वैज्ञानिकहरूले बजारमा नयाँ प्रजातिहरू हटाउन समय बढाउन चाहने धेरै साइटहरू बढाउन सक्दैनन्।
इलिनोइसको युनिभर्सिटीको नयाँ अध्ययनमा वैज्ञानिकहरूले डुब्नू र कृत्रिपलियपल बुद्धिमत्ताबाट छविहरू प्रयोग गरेर दुई दिनभित्र सोयान्सको परिपक्वताको समयको भविष्यवाणी गरे।
"पोड परिपक्वता को मूल्यांकन धेरै समय चाहिन्छ र यहाँ एक गल्ती गर्न को लागी प्राय जसो सम्भवतः यो सम्भव छ, किनकि यो मूल्यांकन प्रणाली को लागी छ," निकोलस मार्टिन भन्छन्, " , इलिनोइस र अध्ययनको सहयोगी बनाउने विभागका कम्पनीका साथीहरू। "धेरैले स्न्यानदेन चलाउन कोसिस गरे परिपक्वता मूल्यांकन गर्न कोसिस गरे, तर हामी पहिले यो गर्न सही तरीकाहरू पत्ता लगाउन पहिलो हौं।"
Rodrigo ट्रेभिजन, एक डाक्टरेल विद्यार्थीहरु around को साथ काम गर्ने ड्रम परिवर्तन गर्न पाँच परीक्षण, तीन बढ्दो मौसम र दुई देशहरु मा संकलन गर्न को लागी कम्प्युटरहरु लाई सल्लाह दिए। यो याद गर्नु महत्त्वपूर्ण छ कि कम्प्युटरहरू विचार गर्न र "खराब" छविहरू पनि विचार गर्न र व्याख्या गर्न सक्षम थिए।
"मानौं हामी प्रत्येक तीन दिन छविहरू स collect ्कलन गर्न चाहन्छौं, तर एक पटक बादल देखा पर्दछ वा यसले चित्रहरूको गुणस्तरलाई असर गर्छ। अन्त्यमा, जब तपाईं बिभिन्न वर्षहरू वा विभिन्न ठाउँहरूबाट डाटा प्राप्त गर्नुहुन्छ, तिनीहरू सबै छविहरू, अन्तरालहरूको संख्या, अन्तरालहरूको दृष्टिकोणको दृष्टिकोणबाट फरक देखिन्छ। हामीले विकास गरेको मुख्य नवीनता भनेको हामी कसरी प्राप्त भएका सबै जानकारीहरूलाई ध्यानमा राख्न सक्छौं। ट्रेभिजन भन्छिन्, "डेटा कति पटक डाटा गइरहेको छ भन्ने फरक पर्दैन।
ट्रेभिसले कृत्रिम बुद्धिको प्रकार प्रयोग गर्यो, जुन गहिराइलेसनशील न्यंलोर नेटवर्कहरू भनिन्छ (cnn)। उनी भन्छन् कि cnn एक तरीका जस्तै हो जसलाई मानव मस्तिलाले छविहरूको घटकको व्याख्या गर्न जान्छन् - रंग, आकार, बनावट - त्यो जानकारी हो, हाम्रो आँखाबाट प्राप्त।
"CNN ले रंगमा साना परिवर्तनहरू पत्ता लगायो, फारमहरू, सिमाना र बनावट बाहेक। हाम्रो लागि, सबैभन्दा महत्त्वपूर्णको रंग रंग थियो। तर हामीले प्रयोग गरेका कृत्रिम बुद्धिको मोडेलको फाइदाहरू यो हो कि समान मोडललाई अर्को विशेष मोडको पूर्वानुमान गर्न एकदम सरल छ, जस्तै उपज वा स्पान। त्यसोभए, अब हामी यी मोडेलहरू छन्, अन्य धेरै कार्यहरू पूरा गर्न समान रणनीति प्रयोग गर्न मानिसहरू धेरै सामर्थ्य प्रयोग गर्न सजिलो हुनुपर्दछ, "ट्रेभिजनले।
वैज्ञानिकहरू भन्छन् कि मुख्यतया प्रविधि मुख्यतया उपयोगी हुनेछ।
"हामीसँग यस समुदायको साझेदारहरू थिए जसले अध्ययनमा भाग लिएका थिए कि आउँदो वर्षहरूमा निश्चित रूपमा यसलाई प्रयोग गर्न चाहानुहुन्छ। र तिनीहरूले धेरै राम्रो, महत्त्वपूर्ण योगदान गरे। उत्तरहरू मैदानका लागि प्रासंगिक छन् कि उत्तरहरू प्लान्टहरू र कृषकहरू छनौट गर्ने निर्णयहरू गराउँदछन्, "निकोलस मार्टिनले भने।
(स्रोत: फार्मेटर्यो.कट. फोटो: getty छविहरू)।