Veldverkenning voor het controleren van de staat van sojabonen in het midden van de zomer - vermoeiend, maar noodzakelijk werk bij het verwijderen van nieuwe variëteiten.
Fokkers moeten dagelijks afdwalen onder de verschroeide zon in kritieke perioden van het groeiseizoen om planten te vinden die gewenste kenmerken tonen, zoals vroege rijping van pods. Maar zonder de mogelijkheid te hebben om de detectie van deze tekens te automatiseren, kunnen wetenschappers niet zoveel sites testen, omdat ze de tijd willen vergroten om nieuwe variëteiten op de markt te elimineren.
In de nieuwe studie van de Universiteit van Illinois voorspellen wetenschappers de tijd van de rijping van sojabonen binnen twee dagen met behulp van beelden van drones en kunstmatige intelligentie, die het werk aanzienlijk faciliteren.
"De beoordeling van de maturiteit van de pod vereist veel tijd en hier is het vaak mogelijk om een fout te maken, aangezien dit evaluatiesysteem gebaseerd is op de kleur van de pod, en er is een risico om het onjuist te bepalen", zegt Nicholas Martin , Universitair hoofddocent van de afdeling Creeding in Illinois en de medewerker van het onderzoek. "Velen probeerden snapshots van drones te gebruiken om de volwassenheid te beoordelen, maar wij zijn de eerste om een nauwkeurige manier te vinden om het te doen."
Rodrigo Trevizan, een doctoraatsstudent die met Martin werkt, doceert computers om kleurveranderingen op afbeeldingen van drones te detecteren die worden verzameld in vijf proeven, drie groeiseizoen en twee landen. Het is belangrijk op te merken dat computers zelfs de "slechte" afbeeldingen konden overwegen en interpreteren.
"Laten we zeggen dat we elke drie dagen afbeeldingen willen verzamelen, maar zodra de wolken verschijnen of regent, wat de kwaliteit van de foto's beïnvloedt. Uiteindelijk, wanneer u gegevens voor verschillende jaren of op verschillende plaatsen ontvangt, zien ze er allemaal anders uit vanuit het oogpunt van het aantal afbeeldingen, intervallen enzovoort. De belangrijkste innovatie die we hebben ontwikkeld, is hoe we rekening kunnen houden met alle ontvangen informatie. Ons model werkt goed, hoe vaak de gegevens ook gingen ", zegt Trevizan.
Trevisan gebruikte het type kunstmatige intelligentie, genaamd diepe convolutionele neurale netwerken (CNN). Hij zegt dat CNN als een manier is aan wie het menselijk brein leert de componenten van beelden - kleur, vorm, textuur - dat wil zeggen, de informatie uit onze ogen te interpreteren.
"CNN detecteert kleine veranderingen in kleur, naast vormen, grenzen en texturen. Voor ons was het belangrijkste kleur. Maar het voordeel van kunstmatige intelligentie, die we gebruikten, is dat het vrij eenvoudig zou zijn om hetzelfde model te gebruiken om een ander kenmerk te voorspellen, zoals opbrengst of span. Dus, nu we deze modellen hebben, moeten mensen veel gemakkelijker zijn om dezelfde strategie te gebruiken om vele andere taken te vervullen, "verklaarde Trevizan.
Wetenschappers zeggen dat de technologie voornamelijk nuttig zal zijn bij het fokken van commerciële bedrijven.
"We hadden sectorale partners die deelnamen aan het onderzoek dat het in de komende jaren zeker zou willen gebruiken. En ze maakten een zeer goede, belangrijke bijdrage. Ze wilden ervoor zorgen dat de antwoorden relevant zijn voor veldfokkers die beslissingen nemen die planten en boeren kiezen, "zei Nicholas Martin.
(Bron: Farmtario.com. Foto: Getty Images).