Máy bay không người lái và học sâu

Lúa, một loại cây lương thực chính, được canh tác trên gần 162 triệu ha đất trên toàn thế giới. Một trong những phương pháp được sử dụng phổ biến nhất để định lượng sản lượng lúa là đếm cây lúa. Kỹ thuật này được sử dụng để ước tính năng suất, chẩn đoán sự tăng trưởng và đánh giá tổn thất trên ruộng lúa. Hầu hết các quy trình kiểm đếm gạo trên toàn thế giới vẫn được thực hiện thủ công. Tuy nhiên, điều này cực kỳ tẻ nhạt, tốn nhiều công sức và thời gian, cho thấy nhu cầu về các giải pháp dựa trên máy móc nhanh hơn và hiệu quả hơn.

Các nhà nghiên cứu từ Trung Quốc và Singapore gần đây đã phát triển một phương pháp thay thế việc đếm lúa thủ công bằng một phương pháp phức tạp hơn nhiều, liên quan đến việc sử dụng máy bay không người lái (UAV) hoặc máy bay không người lái.

Theo Giáo sư Jianguo Yao từ Đại học Bưu chính Viễn thông Nam Kinh ở Trung Quốc, người đứng đầu nghiên cứu, “Kỹ thuật mới sử dụng UAV để chụp ảnh RGB—hình ảnh được tạo chủ yếu bằng ánh sáng đỏ, lục và lam—của cánh đồng lúa. Những hình ảnh này sau đó được xử lý bằng cách sử dụng một mạng lưới học tập sâu mà chúng tôi đã phát triển, được gọi là RiceNet, có thể xác định chính xác mật độ cây lúa trên đồng ruộng, cũng như cung cấp các tính năng ngữ nghĩa cấp cao hơn, chẳng hạn như vị trí và kích thước cây trồng.”

Bài báo của họ đã được xuất bản hiện tượng thực vật.

Kiến trúc mạng RiceNet bao gồm một trình trích xuất đặc trưng ở giao diện người dùng để phân tích các hình ảnh đầu vào và ba mô-đun giải mã đặc trưng chịu trách nhiệm ước tính mật độ thực vật trên ruộng lúa, vị trí của thực vật trong ruộng lúa và kích thước của các nhà máy, tương ứng. Hai tính năng sau đặc biệt quan trọng đối với nghiên cứu trong tương lai về các kỹ thuật quản lý cây trồng tự động, chẳng hạn như phun phân bón.

Là một phần của nghiên cứu, nhóm nghiên cứu đã triển khai một UAV được trang bị máy ảnh trên các cánh đồng lúa ở thành phố Nam Xương của Trung Quốc và sau đó phân tích dữ liệu thu được bằng cách sử dụng một công cụ tinh vi. Phân tích hình ảnh kỹ thuật. Tiếp theo, các nhà nghiên cứu sử dụng tập dữ liệu huấn luyện và tập dữ liệu thử nghiệm. Cái trước được sử dụng làm tài liệu tham khảo để đào tạo hệ thống và cái sau được sử dụng để xác nhận kết quả phân tích.

Cụ thể hơn, trong số 355 hình ảnh với 257,793 điểm được gắn nhãn thủ công, 246 điểm được chọn ngẫu nhiên và được sử dụng làm hình ảnh huấn luyện, trong khi 109 điểm còn lại được sử dụng làm hình ảnh thử nghiệm. Mỗi hình chứa trung bình 726 cây lúa.

Theo nhóm nghiên cứu, kỹ thuật RiceNet được sử dụng để phân tích hình ảnh có tỷ lệ tín hiệu trên tạp âm tốt. Nói cách khác, nó có thể phân biệt hiệu quả cây lúa với nền, do đó cải thiện chất lượng của bản đồ mật độ cây trồng được tạo ra.

Kết quả nghiên cứu cho thấy sai số tuyệt đối trung bình và sai số bình phương trung bình gốc của kỹ thuật RiceNet lần lượt là 8.6 và 11.2. Nói cách khác, các bản đồ mật độ được tạo bằng RiceNet phù hợp tốt với các bản đồ được tạo bằng các phương pháp thủ công.

Ngoài ra, dựa trên những quan sát của họ, nhóm cũng chia sẻ một số khuyến nghị chính. Chẳng hạn, nhóm không khuyên bạn nên chụp ảnh vào những ngày mưa. Nó cũng đề xuất thu thập các hình ảnh dựa trên UAV trong khoảng thời gian 4 giờ sau khi mặt trời mọc, để giảm thiểu thời gian sương mù cũng như sự xuất hiện của hiện tượng xoăn lá lúa, cả hai đều ảnh hưởng xấu đến chất lượng đầu ra.

“Ngoài ra, chúng tôi đã xác nhận thêm hiệu suất của kỹ thuật của mình bằng cách sử dụng hai bộ dữ liệu cây trồng phổ biến khác. Kết quả cho thấy phương pháp của chúng tôi vượt trội hơn đáng kể so với các kỹ thuật hiện đại khác. Điều này nhấn mạnh tiềm năng của RiceNet để thay thế phương pháp đếm lúa thủ công truyền thống,” giáo sư Yao kết luận.

RiceNet tiếp tục mở đường cho các kỹ thuật phân tích cây trồng dựa trên UAV và học sâu khác, từ đó có thể hướng dẫn các quyết định và chiến lược để cải thiện sản xuất lương thực và cây công nghiệp trên toàn thế giới.