Neseno pētījumu veica, izmantojot attīstītus attēlu un mašīnmācīšanās tehnikas, lai revolūcijotu kartupeļu cītu kvalitātes novērtēšanu un slimības smagumu. Šī inovatīvā pieeja, kas rezultējās viegli lietojamās aplikācijas ScabyNet izstrādē, apliecina moderno tehnoloģiju potenciālu lauksaimniecības nozarē.
Pētījuma galvenais mērķis bija novērtēt dažādus kartupeļu cītu morfoloģijas raksturojumus, piemēram, garumu, platumu, laukumu un krāsu, lai iegūtu vērtīgus atziņas par šo cītu kvalitāti iespējamai tirgus izmantošanai. Turklāt pētnieki vēlējās atklāt un kvantificēt parastās cītas (CS) smaguma pakāpi kartupeļu cītos, izmantojot konvolūcijas neironu tīklus (CNN), kas ir veids mašīnmācīšanās. Pētījums cenšās integrēt šīs funkcionalitātes viegli lietojamā aplikācijā.
Lai sasniegtu savus mērķus, pētnieki analizēja kopumā 7200 cītas no dažādiem kartupeļu genotipiem Norvēģijā, kuras bija iemūžinātas, izmantojot Canon PowerShot G9 X Mark II kameru. Šīs attēlu apstrādāja, izmantojot OpenCV un TensorFlow ScabyNet saskarnē. Aplikācijas grafiskās lietotāja saskarnes (GUI) sastāvēja no divām galvenajām modulēm: viena, lai novērtētu cītas morfoloģijas raksturojumus, un otra, lai novērtētu CS izraisītos bojājumus.
Attēlu apstrādes plūsma, ko izmanto ScabyNet, ietvēra vairākus būtiskus soļus, tostarp fona noņemšanu, krāsu pārveidi, objektu identifikāciju un segmentāciju. Lai nodrošinātu precizitāti, pētnieki izmantoja mašīnmācīšanās rīku Trainable Weka Segmentation (TWS), ko sekoja manuālā validācija. ScabyNet dziļās mācīšanās modulis izmantoja dažādas arhitektūras, piemēram, VGG16, VGG19 un ResNet50V2, lai paredzētu CS smaguma pakāpes.
Papildus tam, ScabyNet sniedza krāsu analīzi L*a*b krāsu telpā un izmantoja K-vidējo krāsu kvantizāciju. Individuālie attēla rezultāti tika parādīti ekrānā, bet grupas apstrādes rezultāti tika saglabāti noteiktā mapē kopā ar asociētajiem mērījumiem. Būtībā šī inovatīvā metodoloģija veido izturīgu pamatu kartupeļu cītu kvalitātes un slimības smaguma novērtēšanai, līdz ar to potenciāli dod labumu lauksaimniecības praksēm un tirgus analīzei.
Iekļaujot jaunākās tehnoloģijas, piemēram, attīstītas attēlu un mašīnmācīšanās tehnikas, šis pētījums demonstrē ievērojamo inovācijas potenciālu lauksaimniecības nozarē. Izstrādot ScabyNet, lauksaimniekiem un pētniekiem tagad ir viegli lietojams rīks, lai precīzi novērtētu kartupeļu cītu kvalitāti un smagumu, veicinot labāk informētas lauksaimniecības prakses un uzlabotu tirgus analīzi.
The source of the article is from the blog elperiodicodearanjuez.es