Dronovi i duboko učenje

Riža, glavna prehrambena kultura, uzgaja se na gotovo 162 milijuna hektara zemlje diljem svijeta. Jedna od najčešće korištenih metoda za kvantificiranje proizvodnje riže je brojanje biljaka riže. Ova se tehnika koristi za procjenu prinosa, dijagnosticiranje rasta i procjenu gubitaka na rižinim poljima. Većina procesa brojanja riže u cijelom svijetu još uvijek se provodi ručno. Međutim, ovo je izuzetno zamorno, naporno i dugotrajno, što ukazuje na potrebu za bržim i učinkovitijim rješenjima koja se temelje na stroju.

Istraživači iz Kine i Singapura nedavno su razvili metodu za zamjenu ručnog brojanja riže mnogo sofisticiranijom metodom, koja uključuje korištenje bespilotnih letjelica (UAV) ili dronova.

Prema profesoru Jianguo Yaou sa Sveučilišta za poštu i telekomunikacije u Nanjingu u Kini, koji je vodio studiju, „nova tehnika koristi bespilotne letjelice za snimanje RGB slika – slika sastavljenih prvenstveno od crvenog, zelenog i plavog svjetla – polja riže. Te se slike zatim obrađuju pomoću a mreža dubokog učenja koji smo razvili, nazvan RiceNet, koji može točno identificirati gustoću biljaka riže u polju, kao i pružiti semantičke značajke više razine, kao što su lokacija i veličina usjeva.”

Njihov rad je objavljen Fenomika biljaka.

Mrežna arhitektura RiceNet sastoji se od jednog ekstraktora značajki, na prednjem kraju, koji analizira ulazne slike, i tri modula dekodera značajki koji su odgovorni za procjenu gustoće biljaka u rižinom polju, lokacije biljaka u rižinom polju i veličine biljaka, odnosno. Posljednje dvije značajke posebno su važne za buduća istraživanja tehnika automatiziranog upravljanja usjevima, kao što je raspršivanje gnojiva.

Kao dio studije, istraživački tim postavio je bespilotnu letjelicu opremljenu kamerom iznad rižinih polja u kineskom gradu Nanchangu i potom analizirao prikupljene podatke pomoću sofisticiranog analiza slike tehnika. Zatim su istraživači upotrijebili skup podataka za obuku i skup podataka za testiranje. Prvi je korišten kao referenca za obuku sustava, a drugi je korišten za provjeru valjanosti analitičkih nalaza.

Točnije, od 355 slika s 257,793 ručno označenih točaka, 246 je nasumično odabrano i korišteno kao slike za obuku, dok je preostalih 109 korišteno kao testne slike. Svaka slika sadržavala je u prosjeku 726 biljaka riže.

Prema timu, tehnika RiceNet koja se koristi za analizu slike ima dobar omjer signala i šuma. Drugim riječima, u stanju je učinkovito razlikovati biljke riže od pozadine, poboljšavajući tako kvalitetu generiranih karata gustoće biljaka.

Rezultati istraživanja pokazali su da su srednja apsolutna pogreška i korijen srednje kvadratne pogreške tehnike RiceNet bile 8.6 odnosno 11.2. Drugim riječima, mape gustoće generirane korištenjem RiceNeta dobro su se slagale s onima generiranim ručnim metodama.

Štoviše, na temelju svojih opažanja, tim je podijelio i nekoliko ključnih preporuka. Na primjer, tim ne preporučuje snimanje slika tijekom kišnih dana. Također predlaže prikupljanje slika temeljenih na UAV-u unutar razdoblja od 4 sata nakon izlaska sunca, kako bi se smanjilo vrijeme magle kao i pojava uvijanja rižinog lišća, što oboje nepovoljno utječe na kvalitetu ispisa.

“Osim toga, dodatno smo potvrdili izvedbu naše tehnike koristeći druga dva popularna skupa podataka usjeva. Rezultati su pokazali da naša metoda značajno nadmašuje druge najsuvremenije tehnike. Ovo naglašava potencijal RiceNeta da zamijeni tradicionalnu metodu ručnog brojanja riže,” zaključuje profesor Yao.

RiceNet dalje utire put prema drugim tehnikama analize usjeva temeljenim na UAV-u i dubokom učenju, koje zauzvrat mogu usmjeravati odluke i strategije za poboljšanje proizvodnje hrane i usjeva za prodaju u cijelom svijetu.