Field Reconnaissance para sa pagsuri sa estado ng soybeans sa gitna ng tag-init - nakakapagod, ngunit kinakailangan trabaho kapag inaalis ang mga bagong varieties.
Ang mga breeder ay kailangang maglibot araw-araw sa ilalim ng suntok na araw sa mga kritikal na panahon ng lumalagong panahon upang makahanap ng mga halaman na nagpapakita ng mga kanais-nais na tampok tulad ng maagang ripening ng mga pods. Ngunit, nang walang pagkakaroon ng pagkakataon na i-automate ang pagtuklas ng mga palatandaang ito, ang mga siyentipiko ay hindi maaaring subukan ang maraming mga site na nais nilang dagdagan ang oras upang maalis ang mga bagong varieties sa merkado.
Sa bagong pag-aaral ng Unibersidad ng Illinois, hinuhulaan ng mga siyentipiko ang oras ng pagkahinog ng soybeans sa loob ng dalawang araw gamit ang mga larawan mula sa mga drone at artipisyal na katalinuhan, na lubhang nagpapabilis sa trabaho.
"Ang pagtatasa ng pod maturity ay nangangailangan ng maraming oras at dito kadalasan posible na magkamali, dahil ang sistema ng pagsusuri na ito ay batay sa kulay ng pod, at may panganib na hindi tama ang pagtukoy nito," sabi ni Nicholas Martin , Associate professor ng Department of Creeding sa Illinois at collaborator ng pag-aaral. "Maraming sinubukan na gumamit ng mga snapshot mula sa mga drone upang masuri ang kapanahunan, ngunit kami ang una upang makahanap ng tumpak na paraan upang gawin ito."
Si Rodrigo Trevizan, isang mag-aaral ng doktor na nagtatrabaho sa Martin, nagturo ng mga computer upang makita ang mga pagbabago sa kulay sa mga imahe mula sa mga drone na nakolekta sa limang pagsubok, tatlong lumalagong panahon at dalawang bansa. Mahalagang tandaan na ang mga computer ay maaaring isaalang-alang at bigyang-kahulugan kahit na ang "masamang" mga imahe.
"Sabihin nating gusto nating mangolekta ng mga larawan tuwing tatlong araw, ngunit sa sandaling lumitaw ang mga ulap o umuulan, na nakakaapekto sa kalidad ng mga larawan. Sa wakas, kapag nakatanggap ka ng data para sa iba't ibang taon o mula sa iba't ibang lugar, lahat sila ay magkakaiba mula sa punto ng view ng bilang ng mga imahe, mga pagitan at iba pa. Ang pangunahing pagbabago na aming binuo ay kung paano namin maaaring isaalang-alang ang lahat ng impormasyon na natanggap. Ang aming modelo ay gumagana nang maayos kahit gaano kadalas ang data ay pupunta, "sabi ni Trevizan.
Ginamit ni Trevisan ang uri ng artificial intelligence, na tinatawag na Deep Convolutional Neural Networks (CNN). Sinabi niya na ang CNN ay tulad ng isang paraan kung kanino natututo ang utak ng tao na bigyang-kahulugan ang mga bahagi ng mga imahe - kulay, hugis, pagkakayari - iyon ay, ang impormasyong nakuha mula sa aming mga mata.
"Natuklasan ng CNN ang maliliit na pagbabago sa kulay, maliban sa mga form, mga hangganan at mga texture. Para sa amin, ang pinakamahalaga ay kulay. Ngunit ang kalamangan ng mga modelo ng artipisyal na katalinuhan, na ginagamit namin, ay ito ay medyo simple upang gamitin ang parehong modelo upang mahulaan ang isa pang katangian, tulad ng ani o span. Kaya, ngayon na mayroon kaming mga modelong ito, ang mga tao ay dapat na mas madaling gamitin ang parehong diskarte upang matupad ang maraming iba pang mga gawain, "paliwanag ni Trevizan.
Sinasabi ng mga siyentipiko na ang teknolohiya ay magiging kapaki-pakinabang lalo na sa pag-aanak ng mga komersyal na kumpanya.
"Mayroon kaming mga kasosyo sa sektor na lumahok sa pag-aaral na tiyak na nais gamitin ito sa mga darating na taon. At gumawa sila ng napakahusay, mahalagang kontribusyon. Nais nilang tiyakin na ang mga sagot ay may kaugnayan sa mga breeders ng field na gumagawa ng mga desisyon na pumili ng mga halaman at para sa mga magsasaka, "sabi ni Nicholas Martin.
(Source: farmtario.com. Larawan: Getty Images).