Дроны и глубокое обучение

Рис, основная продовольственная культура, выращивается почти на 162 миллионах гектаров земли по всему миру. Одним из наиболее часто используемых методов количественной оценки производства риса является подсчет растений риса. Этот метод используется для оценки урожайности, диагностики роста и оценки потерь на рисовых полях. Большинство процессов подсчета риса во всем мире по-прежнему выполняются вручную. Однако это чрезвычайно утомительно, трудоемко и требует много времени, что указывает на необходимость более быстрых и эффективных машинных решений.

Исследователи из Китая и Сингапура недавно разработали метод замены ручного подсчета риса гораздо более сложным методом, включающим использование беспилотных летательных аппаратов (БПЛА) или дронов.

По словам профессора Цзяньго Яо из Нанкинского университета почты и телекоммуникаций в Китае, который руководил исследованием, «новая техника использует БПЛА для захвата RGB-изображений — изображений, состоящих в основном из красного, зеленого и синего света — рисового поля. Затем эти изображения обрабатываются с помощью сеть глубокого обучения которую мы разработали под названием RiceNet, которая может точно определять плотность растений риса в поле, а также предоставлять семантические характеристики более высокого уровня, такие как местоположение и размер урожая».

Их статья была опубликована Феномика растений.

Архитектура сети RiceNet состоит из одного экстрактора признаков, который анализирует входные изображения, и трех модулей декодера признаков, которые отвечают за оценку плотности растений на рисовом поле, расположение растений на рисовом поле и размеры растений соответственно. Последние две функции особенно важны для будущих исследований в области автоматизированных методов управления сельскохозяйственными культурами, таких как распыление удобрений.

В рамках исследования исследовательская группа развернула оснащенный камерой БПЛА над рисовыми полями в китайском городе Наньчан, а затем проанализировала полученные данные с помощью сложного анализ изображения техника. Затем исследователи использовали обучающий набор данных и тестовый набор данных. Первый использовался в качестве эталона для обучения системы, а второй — для проверки результатов анализа.

В частности, из 355 изображений с 257,793 246 точками, помеченными вручную, 109 были выбраны случайным образом и использованы в качестве обучающих изображений, тогда как остальные 726 использовались в качестве тестовых изображений. Каждое изображение содержало в среднем XNUMX растений риса.

По словам команды, метод RiceNet, используемый для анализа изображений, имеет хорошее соотношение сигнал/шум. Другими словами, он способен эффективно отличать растения риса от фона, тем самым улучшая качество сгенерированных карт плотности растений.

Результаты исследования показали, что средняя абсолютная ошибка и среднеквадратическая ошибка метода RiceNet составили 8.6 и 11.2 соответственно. Другими словами, карты плотности, созданные с помощью RiceNet, хорошо согласовывались с картами, созданными с использованием ручных методов.

Более того, основываясь на своих наблюдениях, команда также поделилась несколькими ключевыми рекомендациями. Например, команда не рекомендует делать снимки в дождливые дни. Он также предлагает собирать изображения с БПЛА в течение 4 часов после восхода солнца, чтобы свести к минимуму время тумана, а также возникновение курчавости рисовых листьев, которые отрицательно влияют на качество вывода.

«Помимо этого, мы дополнительно проверили эффективность нашей техники, используя два других популярных набора данных о культурах. Результаты показали, что наш метод значительно превосходит другие современные методы. Это подчеркивает потенциал RiceNet для замены традиционного метода ручного подсчета риса», — заключает профессор Яо.

RiceNet также прокладывает путь к другим методам анализа урожая на основе БПЛА и глубокого обучения, которые, в свою очередь, могут определять решения и стратегии для улучшения производства пищевых и товарных культур во всем мире.