![Droner og kunstig intelligens bestemmer forfallet av soyabønner med høy nøyaktighet 5259_1](/userfiles/21/5259_1.webp)
Felt rekognosering for å sjekke tilstanden til soyabønner midt i sommeren - utmattende, men nødvendig arbeid når du fjerner nye varianter.
Breeder må vandre daglig under den brennende solen i kritiske perioder med vekstsesongen for å finne planter som viser ønskelige funksjoner som tidlig modning av pods. Men uten å ha mulighet til å automatisere påvisning av disse tegnene, kan forskere ikke teste så mange steder som de ønsker å øke tiden for å eliminere nye varianter inn i markedet.
I den nye studien av University of Illinois forutser forskere tiden for modningen av soyabønner innen to dager ved hjelp av bilder fra droner og kunstig intelligens, som i stor grad letter arbeidet.
"Vurderingen av podmodningen krever mye tid, og her er det ofte mulig å gjøre en feil, siden dette evalueringssystemet er basert på podens farge, og det er fare for feil å bestemme det," sier Nicholas Martin , Lektor i Institutt for creeding i Illinois og samarbeidspartneren om studien. "Mange prøvde å bruke øyeblikksbilder fra droner for å vurdere modenhet, men vi er de første som finner en nøyaktig måte å gjøre det på."
Rodrigo Trevizan, en doktorgradsstudent som arbeider med Martin, lærte datamaskiner til å oppdage fargeendringer på bilder fra droner samlet inn i fem forsøk, tre vekstsesong og to land. Det er viktig å merke seg at datamaskiner var i stand til å vurdere og tolke selv de "dårlige" bildene.
"La oss si at vi vil samle bilder hver tredje dag, men når skyene vises eller det regner, noe som påvirker kvaliteten på bildene. Til slutt, når du mottar data i forskjellige år eller fra forskjellige steder, vil de alle se annerledes ut enn antall bilder, intervaller og så videre. Den viktigste innovasjonen vi har utviklet er hvordan vi kan ta hensyn til all mottatt informasjon. Vår modell fungerer bra, uansett hvor ofte dataene skulle, "sier Trevizan.
Trevisan brukte typen kunstig intelligens, kalt Deep Convolutional Neural Networks (CNN). Han sier at CNN er som en måte som den menneskelige hjernen lærer å tolke komponentene i bilder - farge, form, tekstur - det vil si den informasjonen som er oppnådd fra våre øyne.
"CNN oppdager små endringer i farge, i tillegg til skjemaer, grenser og teksturer. For oss var den viktigste fargen. Men fordelen av modeller av kunstig intelligens, som vi brukte, er at det ville være ganske enkelt å bruke samme modell for å forutsi en annen karakteristikk, som for eksempel avkastning eller span. Så, nå at vi har disse modellene, bør folk være mye lettere å bruke samme strategi for å oppfylle mange andre oppgaver, forklarte Trevizan.
Forskere sier at teknologien vil være nyttige hovedsakelig i avlskapselskaper.
"Vi hadde sektorspartnere som deltok i studien som definitivt ville bruke den i de kommende årene. Og de gjorde et veldig godt, viktig bidrag. De ønsket å sørge for at svarene er relevante for feltoppdrettere som tar avgjørelser som velger planter og for bønder, sier Nicholas Martin.
(Kilde: Farmtario.com. Foto: Getty Images).