Машинне навчання допомагає визначити здоров'я полів сої
Використовуючи комбінацію дронів та методів машинного навчання, дослідники з Університету штату Огайо нещодавно розробили новий метод визначення здоров'я сільськогосподарських культур та використали його для створення нового інструменту, який може допомогти майбутнім фермерам.
Опубліковане в журналі «Комп'ютери та електроніка у сільському господарстві» дослідження досліджує використання нейронних мереж, щоб допомогти охарактеризувати дефоліацію врожаю чи повсюдну втрату листя на рослині. Ця руйнація може бути викликана хворобами, стресами, випасом тварин, а частіше інвазіями комах та інших шкідників.
Якщо не зупинити, цілі поля можуть бути пошкоджені, що різко зменшить продуктивність сільського господарства всього регіону. Щоб боротися з цим, дослідники вирішили проаналізувати товарну культуру, яка вважається одним із чотирьох основних продуктів світового сільського господарства: соєві боби.
У період з серпня по вересень 2020 року Зічен Чжан, провідний автор дослідження та аспірант у галузі комп'ютерних наук та інженерії в штаті Огайо, використовувала безпілотний літальний апарат (БПЛА) або дрон, щоб зробити пташині п'яти соєвих полів в Огайо. Після обрізки кожного зображення БПЛА на дрібніші зображення команда зрештою мала понад 97 000 фотографій, які вони могли помітити як здоровими, так і дефоліантними.
"Соєві боби є одним з найважливіших сільськогосподарських продуктів у Сполучених Штатах, будь то експорт або інші продукти харчування", - сказав він. За даними Міністерства сільського господарства США, Сполучені Штати є провідним світовим виробником сої та другим за величиною її експортером. Тим не менш, вітчизняні фермери прагнуть не відставати від попиту: минулого року планувалося засіяти понад 90 мільйонів акрів соєвих бобів, щоб задовольнити потреби споживачів.
Оскільки соєві боби є важливим джерелом олії, продуктів харчування та білка у багатьох регіонах світу, потенційне падіння виробництва сої у США може мати серйозні наслідки. Але дослідження Чжана, одного з перших, у якому використовувалися неінвазивні технології для характеристики стану великомасштабних культур, може допомогти оцінити ймовірність падіння виробництва через дефоліацію.
"Дефоліація сої - дуже типова проблема, але ми можемо вирішити її", - сказав Чжан.
Після ручного просіювання зібраних зображень дослідники виявили, що близько 67 000 з них можна назвати здоровими, а майже 30 000 мають різні ознаки дефоліації, співвідношення більше 2 до 1. Потім вони використали цей набір даних, щоб порівняти здатність кількох алгоритмів навчання правильно визначати, які культури були дефолійовані, і уникати неправильних припущень про здорові посіви сої.
Але зробивши висновок, що жоден із класифікаторів навчання не може забезпечити необхідну точність, дослідники вирішили створити з нуля власний інструмент глибокого навчання. Цей кінцевий продукт називається Defonet, нейронна мережа, яка здатна правильно досліджувати та відповідати на початкові запити дослідження про дефоліацію.
"Ця нова архітектура розрахована на це робоче навантаження", - сказав Чжан. Він має кращу продуктивність, ніж доступні в даний час інструменти, точності та ефективності.
За словами співавтора дослідження Крістофера Стюарта, ад'юнкт-професора комп'ютерних наук та інженерії, Defonet, якщо його буде прийнято на місцях, може змінити процес прийняття рішень у сільськогосподарській галузі у зв'язку з серйозними втратами врожаю.
"Найближчими роками нам доведеться істотно збільшити виробництво продуктів харчування, щоб просто задовольнити попит", - сказав Стюарт. Ідея цифрового сільського господарства полягає у використанні комп'ютерних наук та інших технологій, щоб гарантувати максимально ефективне вирощування кожного посадженого насіння.
Також читайте: