Letecké snímky jsou cennou součástí precizního zemědělství a poskytují zemědělcům důležité informace o zdraví plodin a výnosu. Snímky se obvykle získávají drahou multispektrální kamerou připojenou k dronu. Nová studie z University of Illinois a Mississippi State University (MSU) však ukazuje, že obrázky ze standardního červeno-zeleno-modrého (RGB) fotoaparátu v kombinaci s hlubokým učením umělé inteligence mohou poskytnout ekvivalentní nástroje pro predikci plodin za zlomek nákladů.
Multispektrální kamery poskytují barevné mapy, které představují vegetaci, a pomáhají zemědělcům sledovat zdraví rostlin a odhalovat problémové oblasti. Vegetační indexy jako Normalized Difference Vegetation Index (NDVI) a Normalized Difference Red Edge Index (NDRE) zobrazují zdravé oblasti jako zelené, zatímco problémové oblasti se zobrazují jako červené.
„K tomu byste obvykle potřebovali blízko infračervenou kameru (NIR), která stojí asi 5,000 XNUMX USD. Ale ukázali jsme, že můžeme trénovat umělou inteligenci, aby generovala obrázky podobné NDVI pomocí RGB kamery připojené k levnému dronu, a to výrazně snižuje náklady,“ říká Girish Chowdhary, docent na katedře zemědělského a biologického inženýrství. U z I a spoluautor na papíře.
Pro tuto studii výzkumný tým shromáždil letecké snímky z kukuřičných, sójových a bavlníkových polí v různých fázích růstu pomocí multispektrální a RGB kamery. Použili Pix2Pix, a nervová síť navržený pro konverzi obrázků, překládat obrázky RGB do barevných map NDVI a NDRE s červenou a zelené plochy. Po prvním natrénování sítě s velkým množstvím multispektrálních i běžných snímků otestovali její schopnost generovat snímky NDVI/NDRE z jiné sady běžných snímků.
„Na fotografiích je index reflexní zeleně, který ukazuje účinnost fotosyntézy. Trochu se odráží v zeleném kanálu a hodně v blízkém infračerveném kanálu. Ale vytvořili jsme síť, která to dokáže extrahovat ze zeleného kanálu trénováním na kanálu NIR. To znamená, že potřebujeme pouze zelený kanál spolu s dalšími kontextovými informacemi, jako jsou červené, modré a zelené pixely,“ vysvětluje Chowdhary.
Aby otestovali přesnost snímků generovaných umělou inteligencí, požádali vědci panel specialistů na plodiny, aby si prohlédli vedle sebe snímky stejných oblastí, buď generované umělou inteligencí, nebo pořízené multispektrální kamerou. Specialisté uvedli, zda mohou říct, který z nich je skutečný multispektrální obraz, a zda zaznamenali nějaké rozdíly, které by ovlivnily jejich rozhodování.
Experti nenašli žádné pozorovatelné rozdíly mezi těmito dvěma soubory obrázků a naznačili, že by z obou udělali podobné předpovědi. Výzkumný tým také testoval srovnání snímků pomocí statistických postupů a potvrdil, že mezi nimi nejsou prakticky žádné měřitelné rozdíly.
Joby Czarnecki, docent na MSU a spoluautor článku, varuje, že to neznamená, že tyto dvě sady obrázků jsou totožné.
"I když to nemůžeme říct." obrazy by poskytovaly stejné informace za všech podmínek, pro tuto konkrétní problematiku umožňují podobná rozhodnutí. Odrazivost blízkého infračerveného záření může být velmi kritická pro rozhodnutí některých rostlin. V tomto konkrétním případě je však vzrušující, že naše studie ukazuje, že můžete nahradit drahou technologii levnou umělou inteligencí a přesto dospět ke stejnému rozhodnutí,“ vysvětluje.
Letecký pohled může poskytnout informace, které je obtížné získat ze země. Například oblasti poškození vichřicí nebo nedostatku živin nemusí být snadno viditelné v úrovni očí, ale lze je snadno zaznamenat ze vzduchu. Farmáři s příslušnými oprávněními se mohou rozhodnout létat s vlastními drony, nebo mohou uzavřít smlouvu s a soukromá společnost udělat to tak. Ať tak či onak, barevné mapy poskytují důležité informace o zdraví plodin potřebné pro rozhodnutí managementu.
Software a postupy umělé inteligence použité ve studii jsou k dispozici společnostem, které jej chtějí implementovat nebo rozšířit použití školením sítě na dalších souborech dat.
„Umělá inteligence má velký potenciál pomoci snížit náklady, což je klíčový faktor pro mnoho aplikací v zemědělství. Pokud dokážete udělat dron za 600 dolarů užitečnějším, bude k němu mít přístup každý. A tyto informace by farmářům pomohly zlepšit výnosy a být lepšími správci své půdy,“ uzavírá Chowdhary.
Katedra zemědělského a biologického inženýrství sídlí na Vysoké škole zemědělských, spotřebitelských a environmentálních věd a na Graingerově vysoké škole inženýrství na University of Illinois.
Projekt papír, „Predpověď NDVI/NDRE ze standardního RGB letecké snímky pomocí hlubokého učení,“ je zveřejněno v Počítače a elektronika v zemědělství.