Оценивать вручную зрелость соевых бобов в разгар летней жары — изнурительная, но необходимая работа при выведении новых сортов. Исследователи ежедневно переносят жару в критические периоды вегетационного периода, чтобы найти растения с желаемыми чертами, такими как ранняя зрелость стручков. Но, не имея возможности автоматизировать обнаружение этих признаков, селекционеры не могут тестировать столько участков, сколько им хотелось бы, в конкретный год, увеличивая время, необходимое для вывода новых сортов на рынок.
В новом исследовании Университета Иллинойса исследователи прогнозируют срок созревания сои в течение двух дней с использованием изображений с дронов и искусственного интеллекта, что значительно снижает потребность в проверках на земле.
«Оценка зрелости стручка отнимает очень много времени и подвержена ошибкам. Это система оценок, основанная на цвете стручка, поэтому она также зависит от человеческого фактора», — говорит Николас Мартин, доцент кафедры растениеводства в Иллинойсе и соавтор исследования. «Многие исследовательские группы пытаются использовать снимки с дронов для оценки зрелости, но не могут сделать это в масштабе. Поэтому мы придумали более точный способ сделать это. Это было действительно круто».
Родриго Тревизан, докторант, работающий с Мартином, обучил компьютеры обнаруживать изменения в цвете купола по изображениям с дронов, собранным в ходе пяти испытаний, трех вегетационных сезонов и двух стран. Важно отметить, что он мог учитывать «плохие» изображения для сохранения точности.
«Предположим, мы хотим собирать изображения каждые три дня, но однажды есть облака или идет дождь, поэтому мы не можем. В конце концов, когда вы получите данные за разные годы или из разных мест, все они будут выглядеть по-разному. количества изображений, интервалов и так далее, — говорит Тревизан. «Основное нововведение, которое мы разработали, — это то, как мы можем учитывать все, что мы можем собрать. Наша модель хорошо работает независимо от того, как часто собирались данные».
Тревизан использовал тип искусственного интеллекта, называемый глубокими сверточными нейронными сетями. Он говорит, что CNN похожи на способ, которым человеческий мозг учится интерпретировать компоненты изображений — цвет, форму, текстуру — от наших глаз.
«CNN обнаруживают небольшие вариации в цвете, помимо форм, границ и текстуры. Для того, что мы пытались сделать, цвет был самым важным», — говорит Тревизан. «Но преимущество моделей искусственного интеллекта, которые мы использовали, заключается в том, что было бы довольно просто использовать ту же модель для прогнозирования другой характеристики, такой как доходность или полегание. Итак, теперь, когда у нас есть эти модели, это должно быть намного проще для люди используют одну и ту же архитектуру и одну и ту же стратегию для многих других вещей».
Мартин говорит, что коммерческие селекционные компании требуют этих возможностей.
«У нас были отраслевые партнеры, участвовавшие в исследовании, которые определенно захотят использовать это в ближайшие годы. И они внесли очень хороший, важный вклад. Они хотели убедиться, что ответы актуальны для селекционеров, принимающих решения, выбора растений и для фермеров », — говорит Мартин. «Очень интересно найти хороший метод, который поможет заводчикам принимать решения в больших масштабах».