Ilmakuvat ovat arvokas osa tarkkuusmaataloutta, ja ne tarjoavat viljelijöille tärkeitä tietoja sadon terveydestä ja sadosta. Kuvat saadaan tyypillisesti kalliilla monispektrikameralla, joka on kiinnitetty drooniin. Mutta uusi Illinoisin yliopiston ja Mississippi State Universityn (MSU) tutkimus osoittaa, että tavallisen puna-vihreä-sinisen (RGB) kameran kuvat yhdistettynä tekoälyn syväoppimiseen voivat tarjota vastaavia sadon ennustustyökaluja murto-osalla kustannuksista.
Monispektrikamerat tarjoavat värikarttoja, jotka edustavat kasvillisuutta, mikä auttaa viljelijöitä seuraamaan kasvien terveyttä ja havaitsemaan ongelma-alueita. Kasvillisuusindeksit, kuten Normalized Difference Vegetation Index (NDVI) ja Normalized Difference Red Edge Index (NDRE), näyttävät terveet alueet vihreinä, kun taas ongelma-alueet näkyvät punaisina.
"Yleensä tämän tekemiseen tarvitaan lähi-infrapunakamera (NIR), joka maksaa noin 5,000 XNUMX dollaria. Mutta olemme osoittaneet, että voimme kouluttaa tekoälyä luomaan NDVI-kaltaisia kuvia käyttämällä RGB-kameraa, joka on kiinnitetty edulliseen drooniin, ja se alentaa kustannuksia merkittävästi", sanoo Girish Chowdhary, apulaisprofessori maatalous- ja biologian tekniikan laitokselta. U of I ja toinen kirjoittaja paperilla.
Tätä tutkimusta varten tutkimusryhmä keräsi ilmakuvia maissi-, soija- ja puuvillapelloilta eri kasvuvaiheissa sekä monispektrisellä että RGB-kameralla. He käyttivät Pix2Pix, a neuroverkkomallien suunniteltu kuvien muuntamiseen, kääntämään RGB-kuvat NDVI- ja NDRE-värikartoiksi punaisella ja viheralueet. Koulutettuaan ensin verkkoa suurella määrällä sekä monispektrisiä että tavallisia kuvia, he testasivat sen kykyä luoda NDVI/NDRE-kuvia toisesta tavallisten kuvien sarjasta.
”Kuvissa on heijastava vihreysindeksi, joka ilmaisee fotosynteettisen tehokkuuden. Se heijastuu vähän vihreässä kanavassa ja paljon lähi-infrapunakanavassa. Mutta olemme luoneet verkon, joka voi poimia sen vihreästä kanavasta kouluttamalla sitä NIR-kanavalla. Tämä tarkoittaa, että tarvitsemme vain vihreän kanavan muiden kontekstuaalisten tietojen, kuten punaisten, sinisten ja vihreiden pikselien, ohella”, Chowdhary selittää.
Tekoälyn luomien kuvien tarkkuuden testaamiseksi tutkijat pyysivät satoalan asiantuntijoiden paneelia katsomaan rinnakkain kuvia samoista alueista, joko tekoälyn tuottamia tai monispektrisellä kameralla otettuja kuvia. Asiantuntijat ilmoittivat, pystyivätkö he kertomaan, mikä oli todellinen monispektrikuva, ja havaitsivatko he eroja, jotka vaikuttaisivat heidän päätöksentekoonsa.
Asiantuntijat eivät löytäneet havaittavia eroja kahden kuvasarjan välillä, ja he ilmoittivat tekevänsä samanlaisia ennusteita molemmista. Tutkimusryhmä testasi myös kuvien vertailua tilastollisin menetelmin, mikä vahvisti, että niiden välillä ei käytännössä ollut mitattavissa olevia eroja.
Joby Czarnecki, MSU:n apulaistutkimusprofessori ja paperin toinen kirjoittaja, varoittaa, että tämä ei tarkoita, että nämä kaksi kuvasarjaa olisivat identtisiä.
"Vaikka emme voi sanoa kuvien antaisivat samat tiedot kaikissa olosuhteissa, tässä nimenomaisessa asiassa ne mahdollistavat samanlaiset päätökset. Lähi-infrapunaheijastus voi olla erittäin kriittinen joissakin tehdaspäätöksissä. Tässä nimenomaisessa tapauksessa on kuitenkin jännittävää, että tutkimuksemme osoittaa, että kalliin teknologian voi korvata halvalla tekoälyllä ja silti päätyä samaan päätökseen”, hän selittää.
Ilmakuva voi tarjota tietoa, jota on vaikea saada maasta. Esimerkiksi myrskytuhojen tai ravinteiden puutosalueet eivät välttämättä näy helposti silmien tasolla, mutta ne voidaan havaita helposti ilmasta. Viljelijät, joilla on asianmukaiset luvat, voivat lentää omia dronejaan tai he voivat tehdä sopimuksen a yksityisyritys tehdä niin. Joka tapauksessa värikartat tarjoavat tärkeitä sadon terveystietoja, joita tarvitaan hoitopäätöksissä.
Tutkimuksessa käytetyt tekoälyohjelmistot ja -menettelyt ovat saatavilla yrityksille, jotka haluavat ottaa sen käyttöön tai laajentaa käyttöä kouluttamalla verkkoa lisätietosarjoihin.
”Tekoälyssä on paljon potentiaalia kustannusten alentamiseksi, mikä on avaintekijä monissa maatalouden sovelluksissa. Jos voit tehdä 600 dollarin dronista hyödyllisemmän, kaikki voivat käyttää sitä. Ja tiedot auttaisivat maanviljelijöitä parantamaan satoa ja hallitsemaan paremmin maansa", Chowdhary päättää.
Maatalouden ja biologisen tekniikan laitos on College of Agricultural, Consumer and Environmental Sciences ja Grainger College of Engineering Illinoisin yliopistossa.
- paperi, “NDVI/NDRE-ennustus tavallisesta RGB:stä ilmakuvat käyttämällä syvää oppimista”, on julkaistu Tietokoneet ja elektroniikka maataloudessa.