Современная наука способствует развитию сельского хозяйства. Агросектор – один из важнейших в мире, особенно учитывая темпы роста численности населения планеты. Исследователи университета Иллинойса в Урбане-Шампейне (UIUC), технологическая компания Intelinair и Университет Орегона представили «умное» решение Agric-Vision для анализа и контроля сельскохозяйственных объектов. Разработка содержит инструменты анализа аэрофотоснимков, благодаря которым специалисты отслеживают изменения почвы, растительности и прочие параметры территории (полегание посевов, чрезмерную влажность или сухость почвы, последствия ураганов, дефицит питательных веществ и т.д).

В настоящее время системы искусственного интеллекта помогают фермерам анализировать состав почвы, регулировать процесс посадки и сбора урожая, «умные» технологии задействованы в животноводстве, сохранении воды и природных ресурсов. Но огромное экономическое значение в сельском хозяйстве имеет распознавание фотографий, сделанных со спутника, дрона, вертолёта. Точный визуальный анализ, технология семантической сегментации – это инструменты определения полевых условий без участия человека. Этот процесс помогает фермерам избежать потерь урожая, в целом повысить количество собранного зерна или других видов культур, отследить, как развивается растение в течение вегетационного периода.

Раньше процесс распознавания снимков в сельском хозяйстве был медленным из-за нехватки соответствующих наборов данных. Одна из проблем разработки наборов аэрофотоснимков для анализа сельскохозяйственных моделей – это размер изображения. Семантическая сегментация для установления точных параметров сельскохозяйственных угодий требует создания фотографий большого размера. Для создания базы Agric-Vision исследовательская группа собрала 94 тысячи изображений с 3 тысяч полей на территории США. Каждая картинка состоит из цветового формата RGB (такие изображения расшифровываются нейросетью, в теории они содержат до шестнадцати миллионов цветов) и содержит канал для ближней инфракрасной области спектра с разрешением до 10 см на один пиксель.

Исследователи определили девять самых важных параметров полей для описания. После этого агрономы провели маркировку территорий. Далее была выполнена серия снимков с помощью специализированных камер на беспилотниках. Они совершали облёт во время вегетационного сезона в 2017-2019 годах. По изменению цвета изображений в разные периоды агрономы определяют процессы, происходящие на полях.

Необработанные изображения полей имели размеры до 33571×24351 пикселей, это затрудняло сквозную сегментацию, поскольку требования к вычислительным ресурсам и память были очень высокими. В конечном итоге изображениям придавали размер 512х512 пикселей. Учёные использовали ряд популярных моделей семантической сегментации объектов для изучения набора данных «Agriculture-Vision dataset». Для сравнительной оценки были выбраны инструменты DeepLab V3 и DeepLab V3 +, и представлена экспериментальная модель на основе FPN (Feature Pyramid Network).

Теперь исследовательская группа планирует расширить набор данных за счёт большего количества изображений и дополнительных модальностей – тепловые графики, карты почвы и топографические схемы.

Автор: Елена Семенчук


Читайте также:

Четыре главных инновации в области водных ресурсов, представленные на CES 2020

Huvster III – закрытая система выращивания овощей

Комментарии