Riisiä, joka on tärkein ruokakasvi, viljellään lähes 162 miljoonalla hehtaarilla maailmassa. Yksi yleisimmin käytetyistä riisintuotannon kvantifiointimenetelmistä on riisikasvien laskenta. Tätä tekniikkaa käytetään sadon arvioimiseen, kasvun diagnosointiin ja riisipeltojen hävikkien arvioimiseen. Suurin osa riisinlaskentaprosesseista eri puolilla maailmaa suoritetaan edelleen manuaalisesti. Tämä on kuitenkin erittäin työlästä, työlästä ja aikaa vievää, mikä viittaa nopeampiin ja tehokkaampiin konepohjaisiin ratkaisuihin.
Kiinalaiset ja singaporelaiset tutkijat ovat äskettäin kehittäneet menetelmän, jolla manuaalinen riisinlaskenta korvataan paljon kehittyneemmällä menetelmällä, johon liittyy miehittämättömien ilma-alusten (UAV) tai droonien käyttö.
Tutkimusta johtaneen Nanjingin posti- ja televiestintäyliopiston professori Jianguo Yaon mukaan uusi tekniikka käyttää UAV-laitteita RGB-kuvien ottamiseksi – pääasiassa punaisella, vihreällä ja sinisellä valolla koostuvia kuvia – riisipellolta. Nämä kuvat käsitellään sitten käyttämällä a syväoppimisverkosto jonka olemme kehittäneet, nimeltään RiceNet, joka tunnistaa tarkasti riisikasvien tiheyden pellolla ja tarjoaa korkeamman tason semanttisia ominaisuuksia, kuten sadon sijainnin ja koon.
Heidän artikkelinsa on julkaistu Kasvifenomiikka.
RiceNet-verkkoarkkitehtuuri koostuu yhdestä etupäässä olevasta ominaisuuspoimijasta, joka analysoi syöttökuvat, ja kolmesta ominaisuusdekooderimoduulista, jotka vastaavat riisipellon kasvien tiheyden arvioinnista, kasvien sijainnista riisipellolla ja vastaavasti kasvien koko. Kaksi jälkimmäistä ominaisuutta ovat erityisen tärkeitä tulevassa tutkimuksessa automatisoiduista kasvinhoitotekniikoista, kuten lannoiteruiskutuksesta.
Osana tutkimusta tutkimusryhmä sijoitti kameralla varustetun UAV:n riisipeltojen päälle Kiinan Nanchangin kaupungissa ja analysoi saadut tiedot käyttämällä hienostunutta kuva-analyysi tekniikka. Seuraavaksi tutkijat käyttivät koulutustietojoukkoa ja testiaineistoa. Ensin mainittua käytettiin viitteenä järjestelmän kouluttamiseen ja jälkimmäistä käytettiin analyyttisten tulosten validointiin.
Tarkemmin sanottuna 355 kuvasta, joissa oli 257,793 246 manuaalisesti merkittyä pistettä, 109 valittiin satunnaisesti ja niitä käytettiin harjoituskuvina, kun taas loput 726 käytettiin testikuvina. Jokainen kuva sisälsi keskimäärin XNUMX riisin kasvia.
Tiimin mukaan kuva-analyysiin käytetyllä RiceNet-tekniikalla on hyvä signaali-kohinasuhde. Toisin sanoen se pystyy erottamaan riisikasvit tehokkaasti taustasta ja parantamaan näin luotujen kasvitiheyskarttojen laatua.
Tutkimuksen tulokset osoittivat, että RiceNet-tekniikan absoluuttisen virheen keskiarvo oli 8.6 ja neliökeskiarvo 11.2. Toisin sanoen RiceNetillä luodut tiheyskartat olivat hyvin sopusoinnussa manuaalisilla menetelmillä luotujen kanssa.
Lisäksi ryhmä jakoi havaintojensa perusteella muutamia keskeisiä suosituksia. Tiimi ei esimerkiksi suosittele kuvien hankkimista sadepäivinä. Se ehdottaa myös UAV-pohjaisten kuvien keräämistä 4 tunnin sisällä auringonnoususta, jotta sumuaika ja riisinlehtien käpristymät voidaan minimoida, jotka molemmat vaikuttavat haitallisesti tulosteen laatuun.
"Tämän lisäksi validoimme tekniikkamme suorituskyvyn kahdella muulla suositulla satotietojoukolla. Tulokset osoittivat, että menetelmämme ylittää huomattavasti muut huipputekniikat. Tämä korostaa RiceNetin potentiaalia korvata perinteinen manuaalinen riisinlaskenta”, professori Yao päättää.
RiceNet tasoittaa tietä edelleen muille UAV- ja syväoppimiseen perustuville satoanalyysitekniikoille, jotka voivat puolestaan ohjata päätöksiä ja strategioita elintarvike- ja käteissatojen tuotannon parantamiseksi maailmanlaajuisesti.