Дрондар және терең оқыту

Негізгі азық-түлік дақылы күріш дүние жүзінде 162 миллион гектарға жуық жерде өсіріледі. Күріш өндірісін сандық бағалаудың ең жиі қолданылатын әдістерінің бірі күріш өсімдіктерін санау болып табылады. Бұл әдіс шығымдылықты бағалау, өсімді диагностикалау және күріш алқаптарындағы ысырапты бағалау үшін қолданылады. Дүние жүзіндегі күрішті санау процестерінің көпшілігі әлі де қолмен орындалады. Дегенмен, бұл өте жалықтыратын, еңбекқор және көп уақытты қажет етеді, бұл машина негізіндегі шешімдерді жылдамырақ және тиімдірек ету қажеттілігін көрсетеді.

Жақында Қытай мен Сингапур ғалымдары күрішті қолмен санауды ұшқышсыз ұшатын аппараттарды (ұшқышсыз ұшу аппараттары) немесе дрондарды қолдануды қамтитын әлдеқайда күрделі әдіспен ауыстыру әдісін әзірледі.

Зерттеуге жетекшілік еткен Қытайдағы Нанкин почта және телекоммуникация университетінің профессоры Цзяньгуо Яоның айтуынша, «Жаңа техника ұшқышсыз ұшу аппараттарын RGB кескіндерін (негізінен қызыл, жасыл және көк жарықтан тұратын кескіндерді) түсіру үшін пайдаланады. Содан кейін бұл кескіндер a көмегімен өңделеді терең оқыту желісі Біз әзірлеген RiceNet деп аталады, ол егістіктегі күріш өсімдіктерінің тығыздығын дәл анықтай алады, сонымен қатар дақылдардың орналасуы мен өлшемі сияқты жоғары деңгейдегі семантикалық мүмкіндіктерді қамтамасыз етеді.

Олардың мақалалары жарияланды Өсімдіктердің феномикасы.

RiceNet желісінің архитектурасы алдыңғы жағында кіріс кескіндерін талдайтын бір мүмкіндікті экстрактордан және күріш алқабындағы өсімдіктердің тығыздығын, күріш алқабындағы өсімдіктердің орналасуын және тиісінше өсімдіктердің мөлшері. Соңғы екі ерекшелік тыңайтқыштарды шашу сияқты дақылдарды басқарудың автоматтандырылған әдістері бойынша болашақ зерттеулер үшін ерекше маңызды.

Зерттеудің бір бөлігі ретінде зерттеу тобы Қытайдың Наньчан қаласындағы күріш алқаптарының үстіне камерамен жабдықталған ұшқышсыз ұшу аппаратын орналастырды және кейіннен алынған деректерді күрделі әдіспен талдады. бейнені талдау техника. Содан кейін зерттеушілер оқу деректері мен сынақ деректер жинағын пайдаланды. Біріншісі жүйені оқыту үшін сілтеме ретінде пайдаланылды, ал екіншісі аналитикалық қорытындыларды растау үшін пайдаланылды.

Нақтырақ айтсақ, 355 257,793 қолмен белгіленген нүктелері бар 246 кескіннің 109-сы кездейсоқ таңдалып, жаттығу кескіндері ретінде пайдаланылды, ал қалған 726-ы сынақ кескіндері ретінде пайдаланылды. Әрбір суретте орта есеппен XNUMX күріш өсімдігі бар.

Команданың айтуынша, кескінді талдау үшін қолданылатын RiceNet техникасы сигнал-шуылдың жақсы қатынасына ие. Басқаша айтқанда, ол күріш өсімдіктерін фондық өсімдіктерден тиімді ажырата алады, осылайша жасалған өсімдік тығыздығы карталарының сапасын жақсартады.

Зерттеу нәтижелері RiceNet техникасының орташа абсолютті қателігі мен орташа квадраттық қателігі сәйкесінше 8.6 және 11.2 болғанын көрсетті. Басқаша айтқанда, RiceNet көмегімен жасалған тығыздық карталары қолмен жасалған әдістермен жақсы сәйкес келді.

Сонымен қатар, өз бақылауларына сүйене отырып, команда бірнеше негізгі ұсыныстармен бөлісті. Мысалы, команда жаңбырлы күндерде суреттерді алуды ұсынбайды. Сондай-ақ, ол тұман уақытын, сондай-ақ шығу сапасына кері әсер ететін күріш жапырағының бұйралауын азайту үшін UAV негізіндегі суреттерді күн шыққаннан кейін 4 сағат ішінде жинауды ұсынады.

«Сонымен қатар, біз тағы екі танымал дақыл деректер жиынтығын пайдалана отырып, техникамыздың өнімділігін растадық. Нәтижелер біздің әдісіміздің басқа заманауи әдістерден айтарлықтай асып түсетінін көрсетті. Бұл RiceNet-тің күрішті қолмен санаудың дәстүрлі әдісін алмастыру мүмкіндігін көрсетеді», - деп қорытындылады профессор Яо.

RiceNet одан әрі басқа UAV және терең оқытуға негізделген дақылдарды талдау әдістеріне жол ашады, бұл өз кезегінде бүкіл әлемде азық-түлік пен ақшалай дақылдар өндірісін жақсарту бойынша шешімдер мен стратегияларды бағыттай алады.