Revolučné štúdie nedávno vykonané pomocou pokročilých techník zobrazovania a strojového učenia sa snažia revolučným spôsobom zlepšiť hodnotenie kvality zemiakových hlúbov a závažnosti ochorení. Tento inovatívny prístup viedol k vývoju dostupnej aplikácie s názvom ScabyNet, ktorá ukazuje potenciál najmodernejších technológií v poľnohospodárskom sektore.
Hlavným cieľom štúdie bolo vyhodnotiť rôzne morfologické vlastnosti zemiakových hlúbov, ako sú dĺžka, šírka, plocha a farba, aby sme získali cenné poznatky o kvalite týchto hlúbov pre potenciálne použitie na trhu. Okrem toho sa výskumníci snažili pomocou konvolučných neurónových sietí (CNN), teda formy strojového učenia, detekovať a kvantifikovať závažnosť bežného škvrnitosti zemiakov (CS) v zemiakových hlúboch. Štúdia sa nakoniec snažila tieto funkcie integrovať do jednoducho použiteľnej aplikácie.
Aby dosiahli svoje ciele, výskumníci analyzovali celkovo 7200 hlúbov rôznych genotypov zemiakov v Nórsku, ktoré boli zachytené pomocou fotoaparátu Canon PowerShot G9 X Mark II. Tieto obrázky boli následne spracované prostredníctvom programov OpenCV a TensorFlow vo vnútri rozhrania ScabyNet. Grafické rozhranie aplikácie (GUI) pozostávalo z dvoch hlavných modulov: jedného na hodnotenie morfologických vlastností hlúbov a druhého na hodnotenie indikovaných lézií spôsobených CS.
Vizuálne spracovanie obrazu pomocou ScabyNet zahŕňalo niekoľko dôležitých krokov, vrátane odstránenia pozadia, konverzie farieb, identifikácie objektov a segmentácie. Na zabezpečenie presnosti výskumníci využili nástroj strojového učenia s názvom Trainable Weka Segmentation (TWS), nasledovaný manuálnou validáciou. Hlboký učiaci modul ScabyNet využíval rôzne architektúry, ako sú VGG16, VGG19 a ResNet50V2, na predikovanie úrovní závažnosti CS.
Okrem toho ScabyNet poskytoval analýzu farieb v priestore L*a*b a používal kvantizáciu farieb pomocou k-means. Výsledky jednotlivých obrázkov boli zobrazené na obrazovke, zatiaľ čo výsledky hromadného spracovania boli uložené v špeciálne určenej zložke spolu s príslušnými meraniami. V podstate táto revolučná metodológia stanovuje robustný rámec pre hodnotenie kvality zemiakových hlúbov a závažnosti ochorení, čím môže prínosne ovplyvniť poľnohospodárske postupy a analýzu trhu.
Integráciou najmodernejšej technológie, ako sú pokročilé zobrazovacie a strojové učenie, štúdia ukazuje obrovský potenciál inovácií v poľnohospodárskom sektore. Vďaka vývoju ScabyNet majú farmári a výskumníci teraz k dispozícii dostupný nástroj na presné hodnotenie kvality a závažnosti zemiakových hlúbov, čo povedie k informovanejším poľnohospodárskym postupom a zlepšenej analýze trhu.
The source of the article is from the blog klikeri.rs