Дроны и глубокое обучение: новая методика для оценки урожая риса

Рис — одна из основных продовольственных культур, его выращивают почти на 162 миллионах гектаров по всему миру. Один из самых распространенных методов оценки производства риса — подсчет растений. Этот метод используется для прогнозирования урожайности, диагностики роста и оценки потерь на рисовых полях. Большинство процессов подсчета риса в мире по-прежнему проводятся вручную. Это крайне утомительный, трудоемкий и длительный процесс, что указывает на необходимость более быстрых и эффективных машинных решений.

Исследователи из Китая и Сингапура разработали метод, заменяющий ручной подсчет. Он основан на использовании беспилотных летательных аппаратов (БПЛА, дронов) и глубокого обучения.

Как пояснил руководитель исследования профессор Цзяньго Яо из Нанкинского университета почты и телекоммуникаций, новая методика использует дроны для съемки RGB-изображений рисовых полей. Эти изображения затем обрабатываются с помощью разработанной исследователями сети глубокого обучения RiceNet, которая может точно определить плотность растений на поле, а также предоставить семантические признаки более высокого уровня, такие как расположение и размер культур.

Их статья опубликована в журнале Plant Phenomics.

Архитектура сети RiceNet состоит из:

1. Экстрактора признаков на входе, который анализирует исходные изображения.
2. Трех декодеров признаков, которые отвечают соответственно за:
   • оценку плотности растений на поле,
   • определение местоположения растений,
   • оценку размера растений.

Последние две характеристики особенно важны для будущих исследований в области автоматизированного управления посевами, например, для распыления удобрений.

В ходе исследования команда использовала дрон с камерой для съемки рисовых полей в китайском городе Наньчан, а затем проанализировала полученные данные. Для обучения и проверки системы использовались два набора данных:

• Обучающая выборка: 246 случайно выбранных изображений (из 355) с 257 793 вручную размеченных точек.
• Тестовая выборка: оставшиеся 109 изображений.

В среднем на каждом изображении было около 726 растений риса.

Техника RiceNet продемонстрировала хорошее соотношение сигнал/шум, эффективно отличая растения риса от фона и повышая качество генерируемых карт плотности.

Результаты показали:

• Средняя абсолютная ошибка (MAE) метода RiceNet составила 8.6.
• Среднеквадратичная ошибка (RMSE) — 11.2.

Это означает, что карты плотности, сгенерированные с помощью RiceNet, хорошо согласуются с картами, полученными ручными методами.

Исследователи также дали практические рекомендации:

• Не проводить съемку в дождливые дни.
• Собирать изображения с БПЛА в течение 4 часов после восхода солнца, чтобы минимизировать туман и скручивание листьев риса, которые негативно влияют на качество результата.

Производительность RiceNet была дополнительно проверена на двух других популярных наборах данных по сельскохозяйственным культурам. Результаты показали, что этот метод значительно превосходит другие современные techniques.

«Это подчеркивает потенциал RiceNet для замены традиционного метода ручного подсчета риса», — заключает профессор Яо.

Разработка прокладывает путь к другим методам анализа сельскохозяйственных культур на основе БПЛА и глубокого обучения, которые, в свою очередь, могут направлять решения и стратегии по повышению производства продовольственных и товарных культур во всем мире.