Een baanbrekende studie is onlangs uitgevoerd met behulp van geavanceerde beeldvorming en machine learning technieken om de beoordeling van de kwaliteit en de ernst van ziekten bij aardappelknollen te revolutioneren. Deze innovatieve aanpak heeft geresulteerd in de ontwikkeling van een toegankelijke applicatie genaamd ScabyNet, die het potentieel van moderne technologieën in de agrarische sector laat zien.
Het primaire doel van de studie was om verschillende morfologische eigenschappen van aardappelknollen, zoals lengte, breedte, oppervlakte en kleur, te evalueren om waardevolle inzichten te verkrijgen in de kwaliteit van deze knollen voor potentiële marktgebruik. Daarnaast was het doel van de onderzoekers om common scab (CS), een veelvoorkomende aardappelziekte, te detecteren en de ernst ervan te kwantificeren met behulp van Convolutional Neural Networks (CNNs), een vorm van machine learning. Tot slot beoogde de studie om deze functionaliteiten te integreren in een gebruiksvriendelijke applicatie.
Om hun doelen te bereiken, analyseerden de onderzoekers in totaal 7200 knollen van verschillende aardappelgenotypen in Noorwegen, die werden vastgelegd met behulp van een Canon PowerShot G9 X Mark II camera. Deze beelden werden vervolgens verwerkt met behulp van OpenCV en TensorFlow binnen de ScabyNet-interface. De grafische gebruikersinterface (GUI) van de applicatie bestond uit twee hoofdmodules: één voor het evalueren van de morfologie van de knollen en één voor het beoordelen van door CS veroorzaakte laesies.
De beeldverwerkingstechniek die door ScabyNet werd gebruikt, omvatte verschillende essentiële stappen, zoals het verwijderen van de achtergrond, kleurconversie, objectidentificatie en segmentatie. Om de nauwkeurigheid te waarborgen, maakten de onderzoekers gebruik van een machine learning tool genaamd Trainable Weka Segmentation (TWS), gevolgd door handmatige validatie. Voor de diepere leermodule van ScabyNet werden verschillende architecturen gebruikt, zoals VGG16, VGG19 en ResNet50V2, om de ernst van CS te voorspellen.
Daarnaast bood ScabyNet kleuranalyse in de L*a*b kleurruimte en maakte gebruik van K-means kleurkwantisatie. De resultaten van individuele afbeeldingen werden op het scherm weergegeven, terwijl de resultaten van de batchverwerking werden opgeslagen in een aangewezen map, samen met de bijbehorende metingen. In wezen legt deze baanbrekende methodologie een solide basis voor de beoordeling van de kwaliteit en de ernst van aardappelknollen, wat mogelijk gunstig is voor de landbouwpraktijk en marktanalyse.
Door het gebruik van geavanceerde technologie, zoals geavanceerde beeldvorming en machine learning, toont de studie het enorme potentieel voor innovatie in de agrarische sector aan. Met behulp van ScabyNet hebben boeren en onderzoekers nu een toegankelijk instrument om de kwaliteit en ernst van aardappelknollen nauwkeurig te beoordelen, wat leidt tot een betere landbouwpraktijk en verbeterde marktanalyse.
The source of the article is from the blog aovotice.cz