En banebrydende undersøgelse er for nylig blevet gennemført ved hjælp af avanceret billedbehandling og maskinlæringsteknikker for at revolutionere vurderingen af kartoffelknoldekvalitet og sygdomsgrad. Denne innovative tilgang, der resulterede i udviklingen af en tilgængelig applikation kaldet ScabyNet, viser potentialet for moderne teknologier inden for landbrugssektoren.
Studiet havde som hovedmål at evaluere forskellige morfologiske træk ved kartoffelknolde, såsom længde, bredde, areal og farve, for at opnå værdifulde indsigter i kvaliteten af disse knolde til potentiel brug på markedet. Derudover ønskede forskerne at opdage og kvantificere almindelig skurv (CS) i kartoffelknolde ved hjælp af Convolutional Neural Networks (CNN), en form for maskinlæring. Endelig søgte studiet at integrere disse funktionaliteter i en brugervenlig applikation.
For at opnå deres mål analyserede forskerne i alt 7200 knolde fra forskellige kartoffelgenotyper i Norge, der blev fanget ved hjælp af et Canon PowerShot G9 X Mark II-kamera. Disse billeder blev efterfølgende behandlet ved hjælp af OpenCV og TensorFlow inden for ScabyNet-grænsefladen. Applikationens grafiske brugergrænseflade (GUI) bestod af to hovedmoduler: et til evaluering af knoldens morfologiske træk og et andet til vurdering af CS-forårsagede læsioner.
Billedbehandlingspipeline, der blev brugt af ScabyNet, involverede flere afgørende trin, herunder fjernelse af baggrund, farvekonvertering, objektidentifikation og segmentering. For at sikre nøjagtighed anvendte forskerne et maskinlæringsværktøj kaldet Trainable Weka Segmentation (TWS), efterfulgt af manuel validering. ScabyNets dybe indlæringsmodul anvendte forskellige arkitekturer, såsom VGG16, VGG19 og ResNet50V2, til at forudsige CS’s alvorlighedsgrad.
Derudover leverede ScabyNet farveanalyse i L*a*b-farverummet og brugte K-means farvekvantisering. De individuelle billede resultater blev vist på skærmen, mens resultaterne af batchbehandling blev gemt i en dedikeret mappe sammen med tilknyttede målinger. I essens etablerer denne banebrydende metode en robust ramme for evaluering af kartoffelknoldekvalitet og sygdomsgrad og kan dermed gavne landbrugspraksis og markedsanalyse.
Ved at inkorporere avanceret teknologi som avanceret billedbehandling og maskinlæring demonstrerer studiet det store potentiale for innovation inden for landbrugssektoren. Med udviklingen af ScabyNet har landmænd og forskere nu et tilgængeligt værktøj til præcis vurdering af kvaliteten og alvorligheden af kartoffelknolde, hvilket fører til mere informerede landbrugspraksisser og forbedret markedsanalyse.
The source of the article is from the blog lokale-komercyjne.pl