Rýže, hlavní potravinářská plodina, se celosvětově pěstuje na téměř 162 milionech hektarů půdy. Jednou z nejčastěji používaných metod pro kvantifikaci produkce rýže je počítání rostlin rýže. Tato technika se používá k odhadu výnosu, diagnostice růstu a posouzení ztrát na rýžových polích. Většina procesů počítání rýže po celém světě se stále provádí ručně. To je však extrémně zdlouhavé, pracné a zdlouhavé, což naznačuje potřebu rychlejších a efektivnějších strojových řešení.
Vědci z Číny a Singapuru nedávno vyvinuli metodu, jak nahradit ruční počítání rýže mnohem sofistikovanější metodou, která zahrnuje použití bezpilotních letounů (UAV) nebo dronů.
Podle profesora Jianguo Yao z Nanjing University of Posts and Telecommunications v Číně, který vedl studii, „Nová technika využívá UAV k zachycení RGB snímků – snímků složených primárně z červeného, zeleného a modrého světla – rýžového pole. Tyto snímky jsou poté zpracovány pomocí a síť hlubokého učení který jsme vyvinuli, nazvaný RiceNet, který dokáže přesně identifikovat hustotu rostlin rýže na poli a také poskytuje sémantické funkce vyšší úrovně, jako je umístění a velikost plodin.“
Jejich práce byla zveřejněna Rostlinná fenomie.
Architektura sítě RiceNet se skládá z jednoho extraktoru funkcí na předním konci, který analyzuje vstupní obrázky, a tří modulů dekodérů funkcí, které jsou zodpovědné za odhad hustoty rostlin na rýžovém poli, umístění rostlin na rýžovém poli a velikosti rostlin, resp. Poslední dvě vlastnosti jsou zvláště důležité pro budoucí výzkum automatizovaných technik hospodaření s plodinami, jako je postřik hnojiv.
V rámci studie výzkumný tým nasadil kamerou vybavený UAV na rýžová pole v čínském městě Nanchang a následně analyzoval získaná data pomocí sofistikovaného analýza obrazu technika. Dále výzkumníci použili tréninkovou datovou sadu a testovací datovou sadu. První z nich byl použit jako reference pro trénování systému a druhý byl použit k ověření analytických zjištění.
Přesněji řečeno, z 355 snímků s 257,793 246 ručně označenými body bylo 109 náhodně vybráno a použito jako tréninkové snímky, zatímco zbývajících 726 bylo použito jako testovací snímky. Každý snímek obsahoval v průměru XNUMX rostlin rýže.
Podle týmu má technika RiceNet používaná pro analýzu obrazu dobrý poměr signálu k šumu. Jinými slovy, je schopen efektivně rozlišit rostliny rýže od pozadí, a tím zlepšit kvalitu generovaných map hustoty rostlin.
Výsledky studie ukázaly, že průměrná absolutní chyba a střední kvadratická chyba techniky RiceNet byly 8.6 a 11.2. Jinými slovy, mapy hustoty generované pomocí RiceNet byly v dobré shodě s mapami generovanými pomocí manuálních metod.
Kromě toho se tým na základě svých pozorování také podělil o několik klíčových doporučení. Tým například nedoporučuje pořizovat snímky v deštivých dnech. Navrhuje také shromažďovat snímky založené na UAV do 4 hodin po východu slunce, aby se minimalizovala doba mlhy a také výskyt kadeřavosti rýžových listů, což obojí nepříznivě ovlivňuje kvalitu výstupu.
„Kromě toho jsme dále ověřili výkon naší techniky pomocí dvou dalších oblíbených sad dat o plodinách. Výsledky ukázaly, že naše metoda výrazně předčí ostatní nejmodernější techniky. To podtrhuje potenciál RiceNet nahradit tradiční metodu ručního počítání rýže,“ uzavírá profesor Yao.
RiceNet dále dláždí cestu k dalším technikám analýzy plodin založených na UAV a hlubokém učení, které mohou zase vést rozhodnutí a strategie ke zlepšení produkce potravin a tržních plodin po celém světě.