Hình ảnh trên không là một thành phần có giá trị của nông nghiệp chính xác, cung cấp cho nông dân thông tin quan trọng về sức khỏe và năng suất cây trồng. Hình ảnh thường thu được bằng một máy ảnh đa phổ đắt tiền được gắn vào máy bay không người lái. Nhưng một nghiên cứu mới từ Đại học Illinois và Đại học bang Mississippi (MSU) cho thấy hình ảnh từ máy ảnh đỏ-lục-lam (RGB) tiêu chuẩn kết hợp với học sâu AI có thể cung cấp các công cụ dự đoán cây trồng tương đương với một phần chi phí.
Máy ảnh đa phổ cung cấp bản đồ màu đại diện cho thảm thực vật để giúp nông dân theo dõi sức khỏe của cây và phát hiện các khu vực có vấn đề. Các chỉ số thực vật như Chỉ số thực vật khác biệt bình thường hóa (NDVI) và Chỉ số cạnh đỏ khác biệt bình thường hóa (NDRE) hiển thị các khu vực khỏe mạnh có màu xanh lá cây, trong khi các khu vực có vấn đề hiển thị màu đỏ.
“Thông thường, để làm được điều này, bạn cần phải có một camera cận hồng ngoại (NIR) có giá khoảng 5,000 USD. Nhưng chúng tôi đã chỉ ra rằng chúng tôi có thể đào tạo AI để tạo ra hình ảnh giống như NDVI bằng cách sử dụng máy ảnh RGB được gắn vào máy bay không người lái giá rẻ và điều đó giúp giảm đáng kể chi phí,” Girish Chowdhary, phó giáo sư tại Khoa Kỹ thuật Nông nghiệp và Sinh học tại U của tôi và đồng tác giả trên bài báo.
Các ngày trong tuần. Hủy đăng ký chỉ với một cú nhấp chuột.
Đối với nghiên cứu này, nhóm nghiên cứu đã thu thập hình ảnh trên không từ các cánh đồng ngô, đậu tương và bông ở các giai đoạn sinh trưởng khác nhau bằng cả máy ảnh đa phổ và máy ảnh RGB. Họ đã sử dụng Pix2Pix, một mạng lưới thần kinh được thiết kế để chuyển đổi hình ảnh, để dịch hình ảnh RGB thành bản đồ màu NDVI và NDRE với màu đỏ và khu vực màu xanh lá cây. Sau lần đầu tiên đào tạo mạng với một số lượng lớn ảnh đa phổ và ảnh thông thường, họ đã kiểm tra khả năng tạo ảnh NDVI/NDRE từ một tập hợp ảnh thông thường khác.
“Có một chỉ số độ xanh phản chiếu trong các bức ảnh cho biết hiệu quả quang hợp. Nó phản xạ một chút trong kênh màu lục và rất nhiều trong kênh cận hồng ngoại. Nhưng chúng tôi đã tạo một mạng có thể trích xuất nó từ kênh xanh bằng cách huấn luyện nó trên kênh NIR. Điều này có nghĩa là chúng tôi chỉ cần kênh màu xanh lá cây, cùng với các thông tin theo ngữ cảnh khác như pixel màu đỏ, xanh lam và xanh lục,” Chowdhary giải thích.
Để kiểm tra độ chính xác của hình ảnh do AI tạo ra, các nhà nghiên cứu đã yêu cầu một nhóm gồm các chuyên gia về cây trồng xem các hình ảnh cạnh nhau của cùng một khu vực, do AI tạo ra hoặc được chụp bằng máy ảnh đa phổ. Các chuyên gia cho biết liệu họ có thể biết đâu là hình ảnh đa phổ thực sự hay không và liệu họ có nhận thấy bất kỳ sự khác biệt nào có thể ảnh hưởng đến việc ra quyết định của họ hay không.
Các chuyên gia không tìm thấy sự khác biệt có thể quan sát được giữa hai bộ ảnh và họ cho biết họ sẽ đưa ra dự đoán tương tự từ cả hai. Nhóm nghiên cứu cũng đã thử nghiệm việc so sánh các hình ảnh thông qua quy trình thống kê, xác nhận rằng hầu như không có sự khác biệt có thể đo lường được giữa chúng.
Joby Czarnecki, phó giáo sư nghiên cứu tại MSU và đồng tác giả của bài báo, cảnh báo rằng điều này không có nghĩa là hai bộ ảnh giống hệt nhau.
“Trong khi chúng ta không thể nói hình ảnh sẽ cung cấp thông tin giống nhau trong mọi điều kiện, đối với vấn đề cụ thể này, họ cho phép đưa ra các quyết định tương tự. Phản xạ cận hồng ngoại có thể rất quan trọng đối với một số quyết định của nhà máy. Tuy nhiên, trong trường hợp cụ thể này, thật thú vị khi nghiên cứu của chúng tôi cho thấy bạn có thể thay thế một công nghệ đắt tiền bằng trí tuệ nhân tạo rẻ tiền mà vẫn đưa ra quyết định tương tự,” cô giải thích.
Chế độ xem từ trên không có thể cung cấp thông tin khó có được từ mặt đất. Ví dụ, các khu vực bị thiệt hại do bão hoặc thiếu hụt chất dinh dưỡng có thể không dễ dàng nhìn thấy bằng mắt nhưng có thể dễ dàng phát hiện từ trên không. Nông dân có quyền thích hợp có thể chọn lái máy bay không người lái của riêng họ hoặc họ có thể ký hợp đồng công ty tư nhân làm như vậy. Dù bằng cách nào, bản đồ màu cung cấp thông tin sức khỏe cây trồng quan trọng cần thiết cho các quyết định quản lý.
Phần mềm và quy trình AI được sử dụng trong nghiên cứu có sẵn cho các công ty muốn triển khai hoặc mở rộng việc sử dụng bằng cách huấn luyện mạng trên các bộ dữ liệu bổ sung.
“Trí tuệ nhân tạo có rất nhiều tiềm năng giúp giảm chi phí, đây là động lực chính cho nhiều ứng dụng trong nông nghiệp. Nếu bạn có thể làm cho một chiếc máy bay không người lái trị giá 600 đô la trở nên hữu ích hơn, thì mọi người đều có thể sử dụng nó. Và thông tin sẽ giúp nông dân cải thiện năng suất và quản lý tốt hơn đất đai của họ,” Chowdhary kết luận.
Khoa Kỹ thuật Nông nghiệp và Sinh học thuộc Trường Cao đẳng Khoa học Nông nghiệp, Người tiêu dùng và Môi trường và Trường Cao đẳng Kỹ thuật Grainger tại Đại học Illinois.
giấy, “Dự đoán NDVI/NDRE từ RGB tiêu chuẩn hình ảnh trên không sử dụng học sâu,” được xuất bản trong Máy tính và điện tử trong nông nghiệp.
