Аэрофотосъемка является ценным компонентом точного земледелия, предоставляя фермерам важную информацию о состоянии урожая и урожайности. Изображения обычно получаются с помощью дорогой мультиспектральной камеры, прикрепленной к дрону. Но новое исследование Университета штата Иллинойс и Университета штата Миссисипи (MSU) показывает, что изображения со стандартной красно-зелено-синей (RGB) камеры в сочетании с глубоким обучением ИИ могут предоставить эквивалентные инструменты прогнозирования урожая за небольшую часть стоимости.
Мультиспектральные камеры предоставляют цветные карты, отображающие растительность, чтобы помочь фермерам следить за здоровьем растений и выявлять проблемные зоны. Индексы растительности, такие как Нормализованный индекс различий растительности (NDVI) и Индекс нормализованных различий красных краев (NDRE), отображают здоровые области зеленым цветом, а проблемные области — красным.
«Обычно для этого вам понадобится камера ближнего инфракрасного диапазона (NIR), которая стоит около 5,000 долларов. Но мы показали, что можем обучить ИИ генерировать изображения, подобные NDVI, с помощью RGB-камеры, прикрепленной к недорогому дрону, и это значительно снижает затраты», — говорит Гириш Чоудхари, доцент кафедры сельскохозяйственной и биологической инженерии в У меня и соавтор на бумаге.
Для этого исследования исследовательская группа собрала аэрофотоснимки полей кукурузы, сои и хлопка на разных стадиях роста с помощью как мультиспектральной, так и RGB-камеры. Они использовали Pix2Pix, нейронной сети предназначен для преобразования изображений, для перевода изображений RGB в цветовые карты NDVI и NDRE с красным и зеленые зоны. После первого обучения сети с большим количеством мультиспектральных и обычных изображений они проверили ее способность генерировать изображения NDVI/NDRE из другого набора обычных изображений.
«На фотографиях есть индекс отражающей зелени, который указывает на эффективность фотосинтеза. Он немного отражает в зеленом канале и сильно в ближнем инфракрасном канале. Но мы создали сеть, которая может извлечь его из зеленого канала, обучив на NIR-канале. Это означает, что нам нужен только зеленый канал вместе с другой контекстной информацией, такой как красные, синие и зеленые пиксели», — объясняет Чоудхари.
Чтобы проверить точность изображений, созданных ИИ, исследователи попросили группу специалистов по растениеводству просмотреть рядом изображения одних и тех же областей, созданные ИИ или снятые с помощью мультиспектральной камеры. Специалисты указали, могут ли они сказать, какое из них является истинным мультиспектральным изображением, и заметили ли они какие-либо различия, которые могли бы повлиять на их принятие решений.
Эксперты не обнаружили заметных различий между двумя наборами изображений и указали, что будут делать аналогичные прогнозы на основе обоих. Исследовательская группа также проверила сравнение изображений с помощью статистических процедур, подтвердив, что между ними практически нет измеримых различий.
Джоби Чарнецки, доцент МГУ и соавтор статьи, предупреждает, что это не означает, что два набора изображений идентичны.
«Хотя мы не можем сказать, изображений будет предоставлять одинаковую информацию при всех условиях, для этого конкретного вопроса они допускают аналогичные решения. Отражение в ближнем инфракрасном диапазоне может иметь решающее значение для принятия некоторых решений на предприятии. Однако в данном конкретном случае интересно, что наше исследование показывает, что вы можете заменить дорогую технологию недорогим искусственным интеллектом и при этом прийти к тому же решению», — объясняет она.
Вид с воздуха может предоставить информацию, которую трудно получить с земли. Например, районы, поврежденные ураганом, или участки с недостатком питательных веществ могут быть не видны на уровне глаз, но их легко обнаружить с воздуха. Фермеры с соответствующими разрешениями могут использовать собственные дроны или заключить контракт с частная компания сделать это. В любом случае цветовые карты предоставляют важную информацию о состоянии урожая, необходимую для принятия управленческих решений.
Программное обеспечение и процедуры ИИ, использованные в исследовании, доступны для компаний, которые хотят внедрить их или расширить использование путем обучения сети дополнительным наборам данных.
«У ИИ есть большой потенциал для снижения затрат, что является ключевым фактором для многих приложений в сельском хозяйстве. Если вы можете сделать беспилотник за 600 долларов более полезным, тогда каждый сможет получить к нему доступ. Эта информация поможет фермерам повысить урожайность и лучше распорядиться своей землей», — заключает Чоудхари.
Департамент сельскохозяйственной и биологической инженерии находится в Колледже сельскохозяйственных, потребительских и экологических наук и Инженерном колледже Грейнджера в Университете Иллинойса.
Компания бумаги, «Прогнозирование NDVI/NDRE по стандартному RGB аэрофотоснимок с использованием глубокого обучения», опубликовано в Компьютеры и электроника в сельском хозяйстве.
