Дроны могут помочь производителям картофеля быстро обнаружить альтернариоз. Об этом заявил Рубен ван де Виджвер из Института сельского хозяйства, рыболовства и пищевых исследований (ILVO) во время бельгийской картофельной ярмарки Interpom.
ILVO уже некоторое время экспериментирует с обнаружением альтернарий с помощью датчиков, дронов и искусственного интеллекта. «Мы стараемся предоставить производителю больше информации и лучший обзор с помощью дрона», - говорит исследователь. Он добавил, что дело не дойдет до того момента, когда искусственный интеллект сможет полностью заменить опыт производителей.
Ранняя стадия
Пятна от грибков также можно быстро обнаружить с помощью дронов. «Датчики на беспилотных летательных аппаратах помогают обнаружить болезнь в полевых условиях как можно раньше, - говорит Ван де Вижвер. «Благодаря искусственному интеллекту уже на одном растении можно увидеть грибковое заболевание. Это намного быстрее, чем может увидеть производитель, обычно он видит это только тогда, когда заражены большие площади. Важно убить болезнь, когда она окажется на вашем растении, и чем раньше вы ее заразите, тем больше вы сможете ограничить ее воздействие. Благодаря такому раннему обнаружению, производитель может эффективно вмешаться с помощью целевого опрыскивания с ограниченным воздействием на окружающую среду и финансовое воздействие ».
Результаты на планшете
Благодаря этой технологии земледелец получает больше информации и обзор того, где болезнь находится на поле, с помощью планшета. Предполагается, что он сможет распылять меньше и точнее. «Фермер может пропустить опрыскивание или отложить его на несколько дней. Картофель опрыскивают от 10 до 18 раз, в зависимости от погоды. Если вы можете отложить опрыскивание на два дня, это означает огромную прибыль ».
Автоматическое обнаружение фитофтороза, вызываемого Alternaria solani, может способствовать резкому сокращению потребления средств защиты растений и связанных с этим производственных потерь. Платформа проксимального зондирования была сконструирована и откалибрована для получения гиперспектральных изображений с высоким разрешением в полевых условиях и использовалась для точного картирования поражений альтернариоза. Изображения с высоким разрешением отражательной способности растительного покрова были получены для 32 растений картофеля, инфицированных A. solani, и 32 здоровых контрольных растений.
Спектральные классификаторы такие как частичный дискриминантный анализ методом наименьших квадратов (PLS-DA) и машины опорных векторов (SVM) на основе оценок PCA были протестированы для различения затронутых и незатронутых пикселей. Оба спектральных классификатора хорошо показали себя на уровне пикселей с точностью выше 0.92. Область NIR (750 нм) была идентифицирована как наиболее отличительная часть спектра для обнаружения поражений. Поскольку давление болезни обычно выражается как количество поражений на область, точность также оценивалась на этом уровне.
Это свидетельствовало о значительном количестве ложных срабатываний по краям листьев и пазухам листьев. Таким образом, дерево решений было разработано на основе экспертных знаний о форме очагов альтернариоза и использовалось для последующей обработки классифицированных изображений. Это уменьшило количество ложных срабатываний, повысив точность с 0.17 до 0.22 за счет уменьшения отзыва с 0.88 до 0.84. Это оставляет значительные возможности для повышения точности классификации на уровне объектов. Мы узнали, что (1) достаточно нескольких широких длин волн и (2) пространственный контекст важен для обнаружения поражений, вызванных инфекцией Alternaria.
Применение более мощных методов классификации объектов, таких как сверточные нейронные сети, для повышения производительности модели за счет эффективной инкапсуляции пространственного контекста в классификаторе может дополнительно улучшить производительность обнаружения. Это может проложить путь к картированию Alternaria на основе БПЛА или трактора.