Penn State'i teadlased töötasid esimeses omalaadses uuringus välja masinnägemissüsteemi, mis suudab tuvastada ja tuvastada õunakuningalilled viljapuuaedade puude õisikutest. .
Õunaõied kasvavad okste külge kinnitatud nelja- kuni kuueõieliste rühmadena ja keskmist õit tuntakse kuninglillena. See lill avaneb kobaras esimesena ja kasvatab tavaliselt suurima vilja. Põllumajanduse ja põllumajanduse abiprofessori Long He sõnul on see robottolmlemissüsteemi peamine sihtmärk. biotehnoloogia.
Traditsiooniliselt on õunte produktiivsuse tagamisel toetutud putukatolmlemisele. Kuid tõendid viitavad sellele, et nii kodustatud mesilaste kui ka looduslike tolmeldajate tolmeldamisteenused ei vasta kasvavatele nõudmistele, märkis ta. Tõttu koloonia kokkuvarisemise häire, on mesilased kogu maailmas hukkunud murettekitava kiirusega. Seetõttu vajavad tootjad alternatiivseid tolmeldamismeetodeid.
See uuring on viimane, mille viis läbi He uurimisrühm põllumajandusteaduste kolledžis, mis on pühendatud robotsüsteemide väljatöötamisele töömahukate põllumajanduslike ülesannete täitmiseks, nagu seente korjamine, õunapuude pügamine ja roheliste puuviljade harvendamine. Ta selgitas, et selle projekti peamine eesmärk oli välja töötada sügav õppimisel põhinev nägemissüsteem, mis suudaks puuvõrades kuningalilli täpselt tuvastada ja nende asukohta leida.
"Arvame, et see tulemus annab algteabe robottolmlemissüsteemi jaoks, mis tooks kaasa õunte tõhusa ja reprodutseeritava tolmeldamise, et maksimeerida kvaliteetsete puuviljade saagikust," ütles ta. "Pennsylvanias saame õunasaagi tolmeldamisel ikka veel mesilastele loota, kuid teistes piirkondades, kus mesilaste suremine on olnud raskem, võivad kasvatajad seda tehnoloogiat varem või hiljem vajada."
Xinyang Mu, põllumajanduse bioloogilise tehnika osakonna doktorant, juhtis kuninglillede uuringut. Mu kasutas kuninglillede tuvastamiseks ja asukoha määramiseks masinnägemissüsteemis Mask R-CNN-i – populaarset süvaõppega arvutiprogrammi, mis teostab pikslitaseme segmenteerimist, et tuvastada objekte, mis on osaliselt varjatud teiste objektidega.
Mask R-CNN-il põhineva tuvastusmudeli ehitamiseks jäädvustas ta sadu fotosid õunakobaratest. Seejärel töötas ta välja kuninglillede segmenteerimisalgoritmi, et tuvastada ja tuvastada kuninglilled selle õunalillepiltide toorandmete kogumi põhjal. Uuring viidi läbi Penn State'i puuviljauuringute ja laienduskeskuses Biglerville'is.
Gala ja Honeycrisp õun katseteks valiti sordid. Katsepuud istutati 2014. aastal puude vahedega umbes 5 jalga (Gala) ja 6 1/2 jalga (Honeycrisp). Need puud olid koolitatud kõrgete spindlivõrade arhitektuuris, mille keskmine kõrgus oli umbes 13 jalga. Kaameraga pildivõtusüsteem paigaldati puuridade vahel manööverdatavale tarbesõidukile.
Masinnägemissüsteemi treenimine kuninglillede leidmiseks oli keeruline, märkis Mu, kuna need on sama suuruse, värvi ja kujuga kui külgmised õied kobarates ning tavaliselt varjavad kuninglilled ümbritsevad lilled nende keskse asukoha tõttu.
Mask R-CNN mudeli koolituse ülekandeõppe nõuete täitmiseks märgistati toored kujutised kahte eelnevalt määratletud klassi: üksikud lilled ja suletud lilled. Täpsuse suurendamiseks suurendati koolitusandmestikku neli korda, kasutades andmete suurendamise lähenemisviise, selgitas Mu.
"Et eristada kuninglilli külgmistest lilledest, sihiti või lokaliseeriti iga õieklastri kõige kesksem lill," ütles ta. „Visioonisüsteem paigutas lilleklastrid kahemõõtmelise õite tiheduse kaardistamise lähenemisviisi alusel automaatselt eraldi. Igas tuvastatud õiekobaras määrati sihtkuninglilleks kõige keskel olev lill või mask.
Hiljuti avaldatud järeldustes Nutikas põllumajandustehnoloogia, teatasid teadlased Mu algoritmist tuleneva kuninglillede tuvastamise kõrge taseme täpsusest. Võrreldes kuninglillede silma järgi tuvastavate teadlaste käsitsi tehtud mõõtmistega (mida teadlased nimetasid maapinna tõesuse mõõtmisteks) varieerus masinnägemise kuninglillede tuvastamise täpsus 98.7% kuni 65.6%.