Viime aikoina on tehty läpimurtoaltistutkimus, jossa on käytetty kehittyneitä kuvantamistekniikoita ja koneoppimista mittaamaan perunan mukuloiden laatua ja taudin vakavuutta. Innovatiivinen lähestymistapa johti käyttövalmiin sovelluksen, nimeltään ScabyNet, kehittämiseen. Tämä sovellus esittelee viimeisimmän teknologian potentiaalin maataloussektorilla.
Tutkimuksen ensisijainen tavoite oli arvioida erilaisia perunan mukulan morfologisia piirteitä, kuten pituutta, leveyttä, aluetta ja väriä, jotta saataisiin arvokasta tietoa näiden mukuloiden laadusta markkinoilla käytettäväksi. Lisäksi tutkijat pyrkivät havaitsemaan ja mittaamaan yleisen skorbutin (CS) vakavuutta perunan mukuloissa käyttämällä konvoluutioverkkoja (CNN), jonkinlaista koneoppimista. Tutkimuksessa pyrittiin myös yhdistämään nämä toiminnot helppokäyttöiseen sovellukseen.
Tavoitteiden saavuttamiseksi tutkijat analysoivat yhteensä 7200 mukulaa eri perunan genotyypeistä Norjassa. Ne otettiin Canon PowerShot G9 X Mark II -kameralla ja käsiteltiin jälkikäteen ScabyNet-liittymän sisältämien OpenCV:n ja TensorFlow:n avulla. Sovelluksen graafinen käyttöliittymä (GUI) koostui kahdesta päämoduulista: yksi arvioi mukulan morfologisia piirteitä ja toinen arvioi CS:n aiheuttamia vaurioita.
ScabyNetin käyttämä kuvausten käsittelyputki sisälsi useita tärkeitä vaiheita, kuten taustan poiston, värin muuntamisen, kohteiden tunnistamisen ja segmentoinnin. Tarkkuuden takaamiseksi tutkijat käyttivät koneoppimistyökalua nimeltä Trainable Weka Segmentation (TWS), jonka jälkeen tehtiin manuaalinen validointi. ScabyNetin syväoppimismoduuli käytti erilaisia arkkitehtuureja, kuten VGG16, VGG19 ja ResNet50V2, ennustaakseen CS:n vakavuustason.
Lisäksi ScabyNet tarjosi värin analysointia L*a*b-väritilassa ja käytti K-keskiarvovärinkvantisointia. Yksittäisen kuvan tulokset näytettiin näytöllä, kun taas ryhmäkäsittelyn tulokset tallennettiin määrätyllä kansiossa, mukanaan niihin liittyvät mittaukset. Oleellisesti tämä läpimurtoaltis menetelmä luo vankan kehyksen perunan mukulan laadun ja taudin vakavuuden arvioinnille, mikä voi hyödyttää maatalouden käytäntöjä ja markkina-analyysia.
Integroimalla kehittyneen kuvantamisen ja koneoppimisen kaltaista leikkaavaa teknologiaa tutkimus osoittaa valtavan innovaatiopotentiaalin maataloussektorilla. ScabyNetin kehittämisen myötä viljelijät ja tutkijat voivat nyt käyttää helposti käytettävää työkalua perunan mukuloiden laadun ja vakavuuden tarkkaan arviointiin, mikä johtaa parempiin maatalouskäytäntöihin ja parannettuun markkina-analyysiin.
The source of the article is from the blog shakirabrasil.info