Πρόσφατα διεξήχθη μια καινοτόμος μελέτη χρησιμοποιώντας προηγμένες τεχνικές εικόνας και μηχανικής μάθησης για να επανασχεδιάσει την αξιολόγηση της ποιότητας των τριχοειδών πατάτας και την σοβαρότητα των νοσημάτων. Αυτή η καινοτόμος προσέγγιση, που οδήγησε στην ανάπτυξη μιας προσιτής εφαρμογής με το όνομα ScabyNet, αποδεικνύει τις δυνατότητες των προηγμένων τεχνολογιών στον γεωργικό τομέα.
Ο βασικός στόχος της μελέτης ήταν η αξιολόγηση διάφορων χαρακτηριστικών μορφολογίας των τριχοειδών πατάτας, όπως το μήκος, το πλάτος, η περιοχή και το χρώμα, προκειμένου να αποκτηθούν ενδιαφέρουσες πληροφορίες για την ποιότητα αυτών των τριχοειδών για την ενδεχόμενη χρήση στην αγορά. Επιπλέον, οι ερευνητές είχαν στόχο να ανιχνεύσουν και να ποσοτικοποιήσουν τη σοβαρότητα της κοινής φθοράς (CS) στα τριχοειδή πατάτας, χρησιμοποιώντας Δικτυακά Νευρωνικά Δίκτυα (CNNs), μια μορφή μηχανικής μάθησης. Τέλος, η μελέτη απευθυνόταν στο να ενσωματώσει αυτές τις λειτουργίες σε μια εύχρηστη εφαρμογή.
Για να επιτύχουν τους στόχους τους, οι ερευνητές ανέλυσαν συνολικά 7200 τριχοειδή από διάφορες γενετικές ποικιλίες πατάτας στη Νορβηγία, τα οποία καταγράφηκαν με τη χρήση ενός φωτογραφικού φακού Canon PowerShot G9 X Mark II. Αυτές οι εικόνες επεξεργάστηκαν στη συνέχεια χρησιμοποιώντας την OpenCV και το TensorFlow μέσα από το περιβάλλον του ScabyNet. Το γραφικό περιβάλλον χρήστη (GUI) της εφαρμογής αποτελούνταν από δύο κύρια ενότητες: μία για την αξιολόγηση των χαρακτηριστικών της μορφολογίας των τριχοειδών πατάτας και μία για την αξιολόγηση των πληγών που προκαλεί η CS.
Η διαδικασία επεξεργασίας εικόνας που ακολουθούσε το ScabyNet περιελάμβανε ορισμένα κρίσιμα βήματα, όπως η αφαίρεση του φόντου, η μετατροπή χρωμάτων, η αναγνώριση και η τμηματοποίηση αντικειμένων. Για να εξασφαλιστεί η ακρίβεια, οι ερευνητές χρησιμοποίησαν ένα εργαλείο μηχανικής μάθησης με το όνομα Trainable Weka Segmentation (TWS), ακολουθούμενο από χειροκίνητο έλεγχο. Το μοντέλο βαθιάς μάθησης του ScabyNet χρησιμοποίησε διάφορες αρχιτεκτονικές, όπως ο VGG16, ο VGG19 και ο ResNet50V2, για να προβλέψει τα επίπεδα σοβαρότητας της CS.
Επιπλέον, το ScabyNet παρείχε ανάλυση χρώματος στον χώρο χρωμάτων L*a*b και χρησιμοποίησε τον αλγόριθμο κβαντιτοποίησης χρωμάτων K-means. Τα αποτελέσματα ατομικών εικόνων εμφανίζονταν στην οθόνη, ενώ τα αποτελέσματα μαζικής επεξεργασίας αποθηκευόταν σε έναν καθορισμένο φάκελο, μαζί με τις σχετικές μετρήσεις. Καταλήγοντας, αυτή η καινοτόμα μεθοδολογία θεσπίζει ένα αξιόπιστο πλαίσιο για την αξιολόγηση της ποιότητας των τριχοειδών πατάτας και τη σοβαρότητα των νοσημάτων, με το ενδεχόμενο να ωφελήσει τις γεωργικές πρακτικές και την ανάλυση της αγοράς.
Ενσωματώνοντας τεχνολογία προηγμένης εικόνας και μηχανικής μάθησης, η μελέτη δείχνει τις τεράστιες δυνατότητες για καινοτομία στον γεωργικό τομέα. Μέσω της ανάπτυξης του ScabyNet, οι αγρότες και οι ερευνητές διαθέτουν πλέον ένα εύκολα προσβάσιμο εργαλείο για την ακριβή αξιολόγηση της ποιότητας και της σοβαρότητας των τριχοειδών πατάτας, οδηγώντας σε πιο ενημερωμένες γεωργικές πρακτικές και βελτιωμένη ανάλυση της αγοράς.
The source of the article is from the blog zaman.co.at