Μια πρόσφατη μελέτη που δημοσιεύθηκε από τη Plant Phenomics παρουσιάζει το WheatNet, μια πρωτοποριακή μέθοδο που επαναστατεί στην ανίχνευση των αποστάσεων στις σιτηρέσιες καλλιέργειες. Με την αυξανόμενη ανάγκη για ακριβή γεωργία, η ακριβής ανίχνευση των αποστάσεων σιτηρών μέσω της φαινοτυπικής ανάλυσης έχει καθίσταται κρίσιμη για τη μέγιστη απόδοση των καλλιεργειών.
Ενώ τα μοντέλα βαθιάς μάθησης έχουν επιδείξει υποσχόμενα αποτελέσματα σε αυτό τον τομέα, εξακολουθούν να αντιμετωπίζουν δυσκολίες στην προσαρμογή στην δυναμική φύση της ανάπτυξης των σιτηρών, ιδιαίτερα όταν αντιμετωπίζουν παραλλαγές χρώματος σε διάφορα στάδια. Αυτός ο περιορισμός έχει οδηγήσει σε μειωμένη προσαρμοστικότητα και ακρίβεια. Ωστόσο, η ερευνητική κοινότητα εργάζεται ακούραστα για τη βελτιστοποίηση των νευρωνικών δικτύων για καλύτερη εξαγωγή χαρακτηριστικών και ταξινόμηση.
Η μελέτη που παρουσιάζεται στο Plant Phenomics προτείνει το WheatNet ως μια καινοτόμα λύση για την ανίχνευση μικρών και προσανατολισμένων σιτηρών σε εικόνες UAV από τα στάδια γέμισης έως ωρίμανσης. Το WheatNet ενσωματώνει ένα δίκτυο μετασχηματισμού για την ελαχιστοποίηση των ατασθαλιών στα χρωματικά χαρακτηριστικά και ένα δίκτυο ανίχνευσης για την ενίσχυση των δυνατοτήτων ανίχνευσης. Επίσης, εισάγει μια ετικέτα κωνικής ομαλοποίησης για την ταξινόμηση των γωνιών των σιτηρών, καθώς και ένα επίπεδο ανίχνευσης μικρής κλίμακας για την εξαγωγή μικρών χαρακτηριστικών σιτηρών.
Τα αποτελέσματα της μελέτης είναι εντυπωσιακά. Το WheatNet πέτυχε μια μέση ακρίβεια 89,7% για την ανίχνευση των αποστάσεων, και περιέγραψε με ακρίβεια τη μορφολογία των σιτηρών. Ακόμη και με επανακληθέν αναλογία 0,95, το WheatNet υπερτερεί σε ακρίβεια έναντι άλλων μεθόδων. Η ταχύτητα ανίχνευσης του δικτύου έφτασε τα 20 FPS, και έδειξε εξαιρετική ακρίβεια μέτρησης με χαμηλές τιμές RMSEc, rRMSEc και MAEc.
Οι καινοτόμες δυνατότητες του WheatNet αντιμετωπίζουν τις προκλήσεις που αντιμετωπίζουν οι προηγούμενοι μοντέλα ανίχνευσης. Η ικανότητά του να μειώσει τα σφάλματα ανίχνευσης που προκαλούνται από παραλλαγές στα χρωματικά χαρακτηριστικά μεταξύ των σταδίων, το καθιστά ιδιαίτερα κατάλληλο για εφαρμογές στον αγροτικό τομέα και ακριβείς προβλέψεις απόδοσης. Επιπλέον, το WheatNet επεκτείνεται πέρα από τα μοντέλα ανίχνευσης ενός σταδίου, προσαρμόζονται σε πολλά στάδια ανάπτυξης ενώ διατηρούν εξαίρετη ακρίβεια.
Αυτή η καινοτομία στην ανίχνευση των αποστάσεων μας φέρνει ένα βήμα πιο κοντά στην επίτευξη της ακριβούς γεωργίας και της μέγιστης απόδοσης των καλλιεργειών. Η ενσωμάτωση του WheatNet στις γεωργικές πρακτικές έχει το δυναμικό να επαναστατήσει τον τομέα και να ενισχύσει την συνολική παραγωγικότητα.
The source of the article is from the blog maltemoney.com.br