Drones na kujifunza kwa kina

Mpunga, zao kuu la chakula, hulimwa kwenye karibu hekta milioni 162 za ardhi duniani kote. Mojawapo ya njia zinazotumiwa sana kuhesabu uzalishaji wa mpunga ni kuhesabu mimea ya mpunga. Mbinu hii hutumika kukadiria mavuno, kutambua ukuaji, na kutathmini hasara katika mashamba ya mpunga. Michakato mingi ya kuhesabu mchele kote ulimwenguni bado inafanywa kwa mikono. Walakini, hii ni ya kuchosha sana, ngumu, na inachukua muda, ikionyesha hitaji la suluhisho la haraka na bora zaidi la msingi wa mashine.

Watafiti kutoka China na Singapore hivi majuzi wamebuni mbinu ya kuchukua nafasi ya kuhesabu mchele kwa mikono na kutumia mbinu ya kisasa zaidi, inayohusisha matumizi ya vyombo vya anga visivyo na rubani (UAVs) au ndege zisizo na rubani.

Kulingana na Profesa Jianguo Yao kutoka Chuo Kikuu cha Posta na Mawasiliano cha Nanjing nchini China, ambaye aliongoza utafiti huo, "Mbinu mpya hutumia UAVs kunasa picha za RGB-picha zinazoundwa hasa na nyekundu, kijani, na bluu-za shamba la mpunga. Picha hizi basi huchakatwa kwa kutumia a mtandao wa kujifunza kwa kina ambayo tumeunda, iitwayo RiceNet, ambayo inaweza kutambua kwa usahihi msongamano wa mimea ya mpunga shambani, na pia kutoa sifa za hali ya juu za kisemantiki, kama vile eneo la mazao na ukubwa."

Karatasi yao imechapishwa Kupanda Phenomics.

Usanifu wa mtandao wa RiceNet unajumuisha kichuna kipengele kimoja, kwenye mwisho wa mbele, ambacho huchanganua picha za ingizo, na moduli tatu za avkodare ambazo zina jukumu la kukadiria msongamano wa mimea katika shamba la mpunga, eneo la mimea katika shamba la mpunga, na. ukubwa wa mimea, kwa mtiririko huo. Vipengele viwili vya mwisho ni muhimu hasa kwa utafiti wa siku zijazo wa mbinu za kiotomatiki za usimamizi wa mazao, kama vile kunyunyizia mbolea.

Kama sehemu ya utafiti, timu ya watafiti ilituma UAV iliyo na kamera kwenye mashamba ya mpunga katika jiji la China la Nanchang na baadaye kuchambua data iliyopatikana kwa kutumia njia ya kisasa. uchambuzi wa picha mbinu. Kisha, watafiti waliajiri hifadhidata ya mafunzo na seti ya majaribio. Ya kwanza ilitumika kama marejeleo ya kutoa mafunzo kwa mfumo na ya pili ilitumiwa kuthibitisha matokeo ya uchambuzi.

Hasa zaidi, kati ya picha 355 zilizo na alama 257,793 zilizowekwa alama kwa mikono, 246 zilichaguliwa kwa nasibu na kutumika kama picha za mafunzo, ambapo 109 zilizobaki zilitumika kama picha za majaribio. Kila picha ilikuwa na wastani wa mimea 726 ya mpunga.

Kulingana na timu, mbinu ya RiceNet inayotumiwa kwa uchanganuzi wa picha ina uwiano mzuri wa mawimbi hadi kelele. Kwa maneno mengine, inaweza kutofautisha kwa ufanisi mimea ya mpunga kutoka kwa mandharinyuma, hivyo kuboresha ubora wa ramani za msongamano wa mimea zinazozalishwa.

Matokeo ya utafiti yalionyesha kuwa wastani wa makosa kamili na mzizi wa makosa ya mraba ya mbinu ya RiceNet yalikuwa 8.6 na 11.2, mtawalia. Kwa maneno mengine, ramani za msongamano zinazozalishwa kwa kutumia RiceNet zilikuwa katika makubaliano mazuri na zile zinazozalishwa kwa kutumia mbinu za mikono.

Zaidi ya hayo, kulingana na uchunguzi wao, timu pia ilishiriki mapendekezo machache muhimu. Kwa mfano, timu haipendekezi kupata picha siku za mvua. Pia inapendekeza kukusanya picha zinazotegemea UAV ndani ya muda wa saa 4 kufuatia jua kuchomoza, ili kupunguza muda wa ukungu pamoja na kutokea kwa mikunjo ya majani ya mchele, ambayo yote yanaathiri vibaya ubora wa matokeo.

"Mbali na haya, tulithibitisha zaidi utendakazi wa mbinu yetu kwa kutumia hifadhidata zingine mbili maarufu za mazao. Matokeo yalionyesha kuwa njia yetu inashinda kwa kiasi kikubwa mbinu nyingine za kisasa. Hii inasisitiza uwezo wa RiceNet kuchukua nafasi ya mbinu ya jadi ya kuhesabu mchele kwa mikono,” anahitimisha Profesa Yao.

RiceNet inafungua zaidi njia kuelekea UAV- na mbinu za uchambuzi wa mazao za kujifunza kwa kina, ambazo zinaweza kuongoza maamuzi na mikakati ya kuboresha uzalishaji wa mazao ya chakula na biashara duniani kote.