ड्रोन र गहिरो शिक्षा

धान, एक प्रमुख खाद्य बाली, विश्वभर लगभग 162 मिलियन हेक्टर जमिनमा खेती गरिन्छ। धान उत्पादन को मात्रा मापन गर्न को लागी सबै भन्दा साधारण प्रयोग विधि मध्ये एक चामल बिरुवा गणना छ। यो प्रविधिको प्रयोग उपज अनुमान गर्न, वृद्धिको निदान गर्न र धान खेतमा हुने हानिको मूल्याङ्कन गर्न प्रयोग गरिन्छ। विश्वमा धेरैजसो चामल गणना प्रक्रियाहरू म्यानुअल रूपमा गरिन्छ। जे होस्, यो अत्यन्त कठिन, श्रमसाध्य र समय-उपभोग हो, छिटो र अधिक कुशल मेसिन-आधारित समाधानहरूको आवश्यकतालाई संकेत गर्दछ।

चीन र सिंगापुरका अन्वेषकहरूले भर्खरै मानवरहित एरियल भेहिकल (UAVs) वा ड्रोनको प्रयोग समावेश गरी म्यानुअल चामल गणनालाई धेरै परिष्कृत विधिले प्रतिस्थापन गर्ने विधि विकास गरेका छन्।

अध्ययनको नेतृत्व गर्ने चीनको नान्जिङ युनिभर्सिटी अफ पोष्ट एण्ड टेलिकम्युनिकेसन्सका प्रोफेसर जियानगुओ याओका अनुसार, “नयाँ प्रविधिले धान खेतको मुख्यतया रातो, हरियो र नीलो बत्तीले बनेको RGB छविहरू खिच्न UAVs प्रयोग गर्छ। यी तस्बिरहरू त्यसपछि a प्रयोग गरेर प्रशोधन गरिन्छ गहिरो शिक्षा नेटवर्क हामीले विकास गरेका छौं, जसलाई राइसनेट भनिन्छ, जसले खेतमा धानको बोटको घनत्व सही रूपमा पहिचान गर्न सक्छ, साथै फसलको स्थान र आकार जस्ता उच्च-स्तरको अर्थपूर्ण विशेषताहरू प्रदान गर्दछ।"

उनीहरुको कार्यपत्र प्रकाशित भएको छ प्लान्ट फेनोमिक्स.

RiceNet नेटवर्क आर्किटेक्चरमा एउटा सुविधा एक्स्ट्रक्टर, अगाडिको छेउमा, जसले इनपुट छविहरूको विश्लेषण गर्दछ, र धान खेतमा बिरुवाहरूको घनत्व, धान खेतमा बिरुवाहरूको स्थान, र तीनवटा विशेषता डिकोडर मोड्युलहरू समावेश गर्दछ। बिरुवाको आकार, क्रमशः। पछिल्लो दुई विशेषताहरू स्वचालित बाली व्यवस्थापन प्रविधिहरूमा भविष्यको अनुसन्धानको लागि विशेष गरी महत्त्वपूर्ण छन्, जस्तै मल छर्ने।

अध्ययनको एक भागको रूपमा, अनुसन्धान टोलीले चिनियाँ सहर नान्चाङमा धान खेतहरूमा क्यामेराले सुसज्जित यूएभी तैनाथ गर्यो र पछि परिष्कृत प्रयोग गरेर प्राप्त डाटाको विश्लेषण गर्यो। छवि विश्लेषण प्रविधी। अर्को, अन्वेषकहरूले एक प्रशिक्षण डेटासेट र एक परीक्षण डेटासेट नियोजित गरे। पहिलेको प्रणालीलाई तालिम दिनको लागि सन्दर्भको रूपमा प्रयोग गरिएको थियो र पछिल्लोलाई विश्लेषणात्मक निष्कर्षहरू प्रमाणित गर्न प्रयोग गरिएको थियो।

थप विशेष रूपमा, 355 म्यानुअल रूपमा लेबल गरिएका अंकहरू भएका 257,793 छविहरू मध्ये, 246 अनियमित रूपमा चयन गरिएका थिए र प्रशिक्षण छविहरूको रूपमा प्रयोग गरियो, जबकि बाँकी 109 परीक्षण छविहरूको रूपमा प्रयोग गरियो। प्रत्येक छविमा औसत 726 धानका बोटहरू थिए।

टोलीका अनुसार छवि विश्लेषणका लागि प्रयोग गरिने राइसनेट प्रविधिमा राम्रो सङ्केत-देखि-शोर अनुपात छ। अर्को शब्दमा भन्नुपर्दा, यसले धानका बिरुवाहरूलाई पृष्ठभूमिबाट कुशलतापूर्वक छुट्याउन सक्षम छ, यसरी उत्पन्न गरिएको बिरुवाको घनत्व नक्साको गुणस्तरमा सुधार हुन्छ।

अध्ययनको नतिजाले RiceNet प्रविधिको औसत निरपेक्ष त्रुटि र मूल वर्ग त्रुटि क्रमशः 8.6 र 11.2 रहेको देखाएको छ। अर्को शब्दमा, RiceNet प्रयोग गरेर उत्पन्न घनत्व नक्साहरू म्यानुअल विधिहरू प्रयोग गरेर उत्पन्न भएकाहरूसँग राम्रो सम्झौतामा थिए।

यसबाहेक, उनीहरूको अवलोकनको आधारमा, टोलीले केही प्रमुख सिफारिसहरू पनि साझा गरे। उदाहरणका लागि, टोलीले वर्षाका दिनहरूमा छविहरू प्राप्त गर्न सिफारिस गर्दैन। यसले सूर्योदय पछि 4 घण्टा भित्र UAV-आधारित छविहरू सङ्कलन गर्न सुझाव दिन्छ, जसले गर्दा कुहिरोको समय र धानको पात कर्लहरूको घटनालाई कम गर्नका लागि, जसले उत्पादनको गुणस्तरमा प्रतिकूल असर पार्छ।

"यसको अतिरिक्त, हामीले दुई अन्य लोकप्रिय क्रप डेटासेटहरू प्रयोग गरेर हाम्रो प्रविधिको प्रदर्शनलाई थप प्रमाणीकरण गर्यौं। नतिजाहरूले देखाए कि हाम्रो विधिले अन्य अत्याधुनिक प्रविधिहरूलाई उल्लेखनीय रूपमा उत्कृष्ट प्रदर्शन गर्छ। यसले म्यानुअल चामल गणनाको परम्परागत विधिलाई प्रतिस्थापन गर्न RiceNet को सम्भावनालाई जोड दिन्छ, "प्राध्यापक याओ निष्कर्षमा पुग्छन्।

RiceNet ले अन्य UAV- र गहिरो शिक्षामा आधारित बाली विश्लेषण प्रविधिहरू तिर मार्ग प्रशस्त गर्दछ, जसले विश्वव्यापी रूपमा खाद्यान्न र नगद बालीहरूको उत्पादन सुधार गर्न निर्णय र रणनीतिहरूलाई मार्गदर्शन गर्न सक्छ।