دانشمندان برای تشخیص استرس سویا به رایانه ها آموزش می دهند

یادگیری ماشین در کشاورزی: ​​دانشمندان برای تشخیص استرس سویا به رایانه ها آموزش می دهند
دانشمندان دانشگاه ایالتی آیووا در حال تلاش برای آینده ای هستند که در آن کشاورزان می توانند از هواپیماهای بدون سرنشین برای شناسایی و حتی پیش بینی بیماری و استرس در محصولات خود استفاده کنند. چشم انداز آنها به یادگیری ماشین متکی است ، یک فرایند خودکار که در آن فناوری می تواند به کشاورزان کمک کند تا به طور موثرتر به استرس گیاه پاسخ دهند.

آرتی سینگ ، استادیار کمکی برای زراعت ، در حال هدایت یک تیم تحقیقاتی چند رشته ای است که اخیراً یک کمک هزینه سه ساله ، 499.845 دلار از موسسه ملی غذا و کشاورزی وزارت کشاورزی ایالات متحده دریافت کرده است تا فناوری یادگیری ماشینی را توسعه دهد که بتواند توانایی را خودکار کند. از کشاورزان برای تشخیص طیف وسیعی از فشارهای اساسی در سویا. این فن آوری در حال توسعه باعث می شود از دوربین های متصل به وسایل نقلیه هوایی بدون سرنشین یا پهپادها برای جمع آوری تصاویر پرنده چشم از مزارع سویا استفاده شود. یک برنامه کامپیوتری به طور خودکار تصاویر را تجزیه و تحلیل می کند و به کشاورز از نقاط مشکل هشدار می دهد.

سینگ گفت: "در ابتدایی ترین ، یادگیری ماشین صرفاً آموزش یک ماشین برای انجام کارهایی است که ما انجام می دهیم." "وقتی می خواهید به کودک بیاموزید که یک اتومبیل چیست ، به آنها اتومبیل نشان می دهید. این همان کاری است که ما برای آموزش الگوریتم های رایانه انجام می دهیم ، نمایش تعداد زیادی از تصاویر از تنشهای مختلف سویا برای شناسایی ، طبقه بندی ، کمیت و پیش بینی استرسها در زمینه "

این تیم تحقیقاتی مجموعه عظیمی از تصاویر سویا ، برخی از افراد سالم و برخی از آنها تحت استرس و بیماری را جمع آوری کرده اند که آنها را برچسب گذاری کرده اند. یک برنامه کامپیوتری از طریق تصاویر دارای برچسب عبور می کند و الگوریتم هایی را جمع می کند که می توانند استرس را در تصاویر جدید تشخیص دهند. سینگ گفت: برنامه یادگیری ماشین می تواند قادر به تشخیص طیف گسترده ای از فشارهای متداول سویا از جمله بیماری های قارچی ، باکتریایی و ویروسی و همچنین کمبود مواد مغذی و آسیب علف کش باشد.

وی گفت ، استفاده از تصویربرداری از فاصله یاب یا دوربین هایی که دارای طول موج می شوند ، فراتر از آن است که در چشم انسان مشاهده می شود ، می تواند به این فناوری اجازه دهد تا قبل از بروز علائم ، وجود استرس را پیش بینی کند ، و به کشاورزان فرصت بیشتری می دهد تا مشکل را مدیریت کنند.

شیفتگی سینگ از یادگیری ماشینی در سال 2014 شروع شد وقتی که وی در سمیناری با عنوان میزبان موسسه علوم گیاهی ISU شرکت کرد. او بلافاصله تصور کرد که این فناوری نوید بخش پرورش گیاهان و آسیب شناسی گیاهان را داده است ، اما نظرسنجی از ادبیات دانشگاهی نشان داد که بخش عمده ای از کار در این زمینه از رشته های مهندسی و نه علوم گیاهی ناشی می شود. او فهمید که برای پیشرفت این زمینه در کشاورزی ، همکاری بیشتر لازم است.

وی گفت: "ما باید دانشمندان گیاهان را نیز شامل شویم." "در غیر این صورت ، ما مهندسانی خواهیم داشت که بر روی مشکلات علوم گیاهی کار کنند. همکاری در بین رشته ها همان چیزی است که باعث می شود."

او به جمع آوری تیم بین رشته ای کمک کرد که برنامه ای را ایجاد کرد که به کاربران گوشی های هوشمند امکان می دهد از گیاهان سویا عکس بگیرند تا مشخص شود که آیا این گیاهان از کمبود آهن رنج می برند یا خیر. اکنون ، تیم تحقیقاتی قصد دارد تا کارهای خود را از برنامه اصلی که برای تشخیص استرس تک ، عکسبرداری دستی لازم است ، به الگوریتم هایی که قادر به گرفتن عکس از پهپادها هستند و طیف وسیعی از استرس ها را مشخص کند ، مقیاس بندی کند.

آینده این فناوری بر توانایی دانشمندان و مهندسان برای جمع آوری نوع مناسب مجموعه داده و سپس توسعه توانایی تجزیه و تحلیل آن داده ها استوار است. در پایان این کمک هزینه ، سینگ گفت که این تیم در نظر دارد چارچوبی از بهترین شیوه ها برای جمع آوری داده ها با استفاده از پهپادها را تکمیل کند. این شامل تشخیص وضوح تصویر بهینه و همچنین ارتفاع و سرعت مطلوب پهپادها است. محققان امیدوارند که به طور یکپارچه جمع آوری داده ها ، تصحیح و تجزیه و تحلیل منجر به کاربرد آن در مزارع مزرعه برای شناسایی و کاهش تنش های گیاهان به موقع شوند. سینگ گفت این تیم در پایان پروژه کلیه یافته های خود را در دسترس عموم قرار می دهد.