Едно революционно изследване бе проведено набскоро, като се използваха напреднали изображения и техники на машинно обучение, за да се революционизира оценката на качеството и тежестта на болестите при картофените клубове. Този иновативен подход доведе до разработването на достъпно приложение, наречено ScabyNet, което показва възможностите на съвременните технологии в земеделския сектор.
Основната цел на изследването бе да се оцени различни морфологични характеристики на картофените клубове, като дължина, ширина, площ и цвят, с цел да се получат ценни информации за качеството на клубовете за потенциално пазарно използване. Освен това, учените имаха за цел да открият и количествено да определят тежестта на обикновения скаб (CS) при картофените клубове, използвайки Конволюционни Невронни Мрежи (CNN), вид машинно обучение. Накрая, изследването имаше за цел да интегрира тези функционалности в лесно за използване приложение.
За да постигнат целите си, учените анализираха общо 7200 клуба от различни генотипи картофени в Норвегия, заснети с камера Canon PowerShot G9 X Mark II. Тези изображения се обработваха след това с помощта на OpenCV и TensorFlow в ScabyNet интерфейса. Графичният потребителски интерфейс (GUI) на приложението се състоеше от два основни модула: един за оценка на морфологичните характеристики на клубовете и друг за оценка на пораженията, причинени от CS.
Обработната платформа на ScabyNet използваше няколко важни стъпки, включително премахване на фона, преобразуване на цветовете, идентификация на обекта и сегментация. За да се гарантира точност, учените използваха инструмента за машинно обучение Trainable Weka Segmentation (TWS), последван отръчна валидация. Модулът за дълбоко машинно обучение на ScabyNet използваше различни архитектури като VGG16, VGG19 и ResNet50V2, за да прогнозира нивото на тежест при CS.
Освен това, ScabyNet осигуряваше анализ на цветовете в цветовото пространство L*a*b и използваше квантизация на цветовете с K-means. Резултатите отделните изображения се показваха на екрана, докато резултатите от обработката на групи клубове се съхраняваха в определена папка, заедно със съответните измервания. По същество, тази революционна методология създава здрава рамка за оценка на качеството на картофените клубове и тежестта на болестите, като по този начин спомага за развитието на земеделските практики и аналитиката на пазара.
Чрез включването на високотехнологични решения, като напреднали изображения и машинно обучение, изследването демонстрира голямото потенциал за иновации в земеделския сектор. С разработването на ScabyNet, фермерите и учените вече разполагат с достъпен инструмент за точна оценка на качеството и тежестта на картофените клубове, което допринася за по-информирани земеделски практики и подобрена анализ на пазара.
The source of the article is from the blog macholevante.com