Fältreconnaissance för att kontrollera sojabönor mitt i sommar - ansträngande, men nödvändigt arbete när du tar bort nya sorter.
Uppfödare måste vandra dagligen under den brännande solen i kritiska perioder av växtsäsongen för att hitta växter som visar önskvärda funktioner som tidig mogning av pods. Men utan att ha möjlighet att automatisera detekteringen av dessa tecken kan forskare inte testa så många webbplatser som de skulle vilja öka tiden för att eliminera nya sorter på marknaden.
I den nya studien av University of Illinois förutspår forskare tidpunkten för mognad av sojabönor inom två dagar med hjälp av bilder från droner och artificiell intelligens, vilket möjligen underlättar arbetet.
"Bedömningen av POD-löptiden kräver mycket tid och här är det ofta möjligt att göra ett misstag, eftersom det här utvärderingssystemet är baserat på podens färg, och det finns risk för felaktigt bestämning," säger Nicholas Martin felaktigt , Docent i avdelningen för Creeding i Illinois och samarbetaren i studien. "Många försökte använda snapshots från dronor för att bedöma mognad, men vi är de första som hittar ett korrekt sätt att göra det."
Rodrigo Trevizan, en doktorand som arbetar med Martin, lärde datorer för att upptäcka färgförändringar på bilder från Drones samlade i fem försök, tre växtsäsong och två länder. Det är viktigt att notera att datorer kunde överväga och tolka även de "dåliga" bilderna.
"Låt oss säga att vi vill samla in bilder var tredje dag, men när molnen visas eller regnar, vilket påverkar bildernas kvalitet. I slutändan, när du får data i olika år eller från olika ställen, kommer de alla att se annorlunda ut ur antalet bilder, intervaller och så vidare. Den viktigaste innovationen vi har utvecklat är hur vi kan ta hänsyn till all mottagna uppgifter. Vår modell fungerar bra oavsett hur ofta data gick ", säger Trevizan.
Trevisan använde typen av artificiell intelligens, kallad djupa fonvolutionella neurala nätverk (CNN). Han säger att CNN är som ett sätt som den mänskliga hjärnan lär sig att tolka komponenterna i bilder - färg, form, textur - det vill säga den information som erhållits från våra ögon.
"CNN detekterar små ändringar i färg, förutom former, gränser och texturer. För oss var den viktigaste färgen. Men fördelen med modeller av artificiell intelligens, som vi använde, är att det skulle vara ganska enkelt att använda samma modell för att förutsäga en annan egenskap, såsom avkastning eller spänning. Så, nu när vi har dessa modeller, bör människor vara mycket lättare att använda samma strategi för att uppfylla många andra uppgifter, förklarade Trevizan.
Forskare säger att tekniken kommer att vara användbar främst i avelshandelsföretag.
"Vi hade sektorspartners som deltog i studien som definitivt skulle vilja använda den under de närmaste åren. Och de gjorde ett mycket bra, viktigt bidrag. De ville se till att svaren är relevanta för fältuppfödare som fattar beslut att välja växter och till bönder, säger Nicholas Martin.
(Källa: Farmtario.com. Foto: Getty Images).