Drones en diep leren

Rijst, een belangrijk voedselgewas, wordt wereldwijd verbouwd op bijna 162 miljoen hectare land. Een van de meest gebruikte methoden om de rijstproductie te kwantificeren, is het tellen van rijstplanten. Deze techniek wordt gebruikt om de opbrengst te schatten, de groei te diagnosticeren en verliezen in rijstvelden te beoordelen. De meeste rijsttelprocessen over de hele wereld worden nog steeds handmatig uitgevoerd. Dit is echter buitengewoon vervelend, arbeidsintensief en tijdrovend, wat aangeeft dat er behoefte is aan snellere en efficiëntere machinegebaseerde oplossingen.

Onderzoekers uit China en Singapore hebben onlangs een methode ontwikkeld om handmatige rijsttelling te vervangen door een veel geavanceerdere methode, waarbij gebruik wordt gemaakt van onbemande luchtvaartuigen (UAV's) of drones.

Volgens professor Jianguo Yao van de Nanjing University of Post and Telecommunications in China, die de studie leidde: "De nieuwe techniek maakt gebruik van UAV's om RGB-beelden vast te leggen - beelden die voornamelijk zijn samengesteld met rood, groen en blauw licht - van het rijstveld. Deze afbeeldingen worden vervolgens verwerkt met behulp van een diep lerend netwerk dat we hebben ontwikkeld, genaamd RiceNet, dat nauwkeurig de dichtheid van rijstplanten in het veld kan identificeren, en ook semantische kenmerken van een hoger niveau kan bieden, zoals de locatie en grootte van het gewas."

Hun paper is gepubliceerd Plantenfenomenologie.

De RiceNet-netwerkarchitectuur bestaat uit een feature-extractor, aan de voorkant, die de invoerbeelden analyseert, en drie feature-decodermodules die verantwoordelijk zijn voor het schatten van de dichtheid van planten in het rijstveld, de locatie van planten in het rijstveld, en respectievelijk de grootte van de planten. Vooral de laatste twee kenmerken zijn van belang voor toekomstig onderzoek naar geautomatiseerde gewasbeheertechnieken, zoals het spuiten van kunstmest.

Als onderdeel van het onderzoek zette het onderzoeksteam een ​​met een camera uitgeruste UAV in boven rijstvelden in de Chinese stad Nanchang en analyseerde vervolgens de verkregen gegevens met behulp van een geavanceerd foto analyse techniek. Vervolgens gebruikten de onderzoekers een trainingsdataset en een testdataset. De eerste werd gebruikt als referentie om het systeem te trainen en de laatste werd gebruikt om de analytische bevindingen te valideren.

Meer specifiek, van de 355 afbeeldingen met 257,793 handmatig gelabelde punten, werden er 246 willekeurig geselecteerd en gebruikt als trainingsafbeeldingen, terwijl de overige 109 werden gebruikt als testafbeeldingen. Elke afbeelding bevatte gemiddeld 726 rijstplanten.

Volgens het team heeft de RiceNet-techniek die wordt gebruikt voor beeldanalyse een goede signaal-ruisverhouding. Met andere woorden, het is in staat rijstplanten efficiënt te onderscheiden van de achtergrond, waardoor de kwaliteit van de gegenereerde plantdichtheidskaarten wordt verbeterd.

De resultaten van het onderzoek toonden aan dat de gemiddelde absolute fout en de root mean square error van de RiceNet-techniek respectievelijk 8.6 en 11.2 waren. Met andere woorden, de met RiceNet gegenereerde dichtheidskaarten kwamen goed overeen met de met handmatige methoden gegenereerde kaarten.

Bovendien deelde het team op basis van hun observaties ook enkele belangrijke aanbevelingen. Het team raadt bijvoorbeeld niet aan om op regenachtige dagen foto's te maken. Het suggereert ook om UAV-gebaseerde beelden te verzamelen binnen een periode van 4 uur na zonsopgang, om de misttijd en het optreden van rijstbladkrullen te minimaliseren, die beide een negatieve invloed hebben op de uitvoerkwaliteit.

“Daarnaast hebben we de prestaties van onze techniek verder gevalideerd met behulp van twee andere populaire gewasdatasets. De resultaten toonden aan dat onze methode aanzienlijk beter presteert dan andere state-of-the-art technieken. Dit onderstreept het potentieel van RiceNet om de traditionele methode van handmatig rijst tellen te vervangen”, concludeert professor Yao.

RiceNet baant verder de weg naar andere UAV- en deep learning-gebaseerde gewasanalysetechnieken, die op hun beurt beslissingen en strategieën kunnen sturen om de productie van voedsel en marktgewassen wereldwijd te verbeteren.