Аерофотознімки є цінним компонентом точного землеробства, що надає фермерам важливу інформацію про здоров’я та врожайність посівів. Зображення зазвичай отримують за допомогою дорогої мультиспектральної камери, прикріпленої до дрона. Але нове дослідження, проведене Університетом Іллінойсу та Університетом штату Міссісіпі (MSU), показує, що зображення зі стандартної червоно-зелено-синьої (RGB) камери в поєднанні з глибоким навчанням штучного інтелекту можуть забезпечити еквівалентні інструменти прогнозування врожаю за невелику частку вартості.

Мультиспектральні камери створюють кольорові карти, які представляють рослинність, щоб допомогти фермерам контролювати стан рослин і виявляти проблемні ділянки. Індекси рослинності, такі як нормалізований індекс різниці рослинності (NDVI) і нормалізований індекс різниці червоних країв (NDRE), відображають здорові ділянки зеленим кольором, а проблемні – червоним.

«Як правило, для цього вам знадобиться камера ближнього інфрачервоного діапазону (NIR), яка коштує близько 5,000 доларів. Але ми показали, що можемо навчити штучний інтелект створювати зображення, подібні до NDVI, за допомогою RGB-камери, прикріпленої до недорогого дрона, і це значно знижує вартість», — каже Гіріш Чоудхарі, доцент кафедри сільськогосподарської та біологічної інженерії в У І та співавторі на статті.

Для цього дослідження дослідницька група зібрала аерофотознімки полів кукурудзи, сої та бавовни на різних стадіях росту за допомогою мультиспектральної та RGB-камери. Вони використовували Pix2Pix, a нейронної мережі призначений для перетворення зображень, для перетворення зображень RGB у карти кольорів NDVI та NDRE із червоним і зелені зони. Після першого навчання мережі великою кількістю мультиспектральних і звичайних зображень вони перевірили її здатність генерувати зображення NDVI/NDRE з іншого набору звичайних зображень.

«На фотографіях є індекс відбивної зеленості, який вказує на ефективність фотосинтезу. Він трохи відбиває в зеленому каналі, і багато в ближньому інфрачервоному каналі. Але ми створили мережу, яка може витягти його з зеленого каналу, навчивши його на канал NIR. Це означає, що нам потрібен лише зелений канал разом із іншою контекстною інформацією, такою як червоні, сині та зелені пікселі», — пояснює Чоудгарі.

Щоб перевірити точність зображень, створених штучним інтелектом, дослідники попросили групу спеціалістів із рослинництва переглянути зображення одних і тих самих ділянок пліч-о-пліч, згенеровані штучним інтелектом або зроблені мультиспектральною камерою. Фахівці вказали, чи можуть вони визначити, яке з них є справжнім багатоспектральним зображенням, і чи помітили вони будь-які відмінності, які вплинули б на прийняття ними рішення.

Експерти не виявили помітних відмінностей між двома наборами зображень, і вони зазначили, що будуть робити подібні прогнози з обох. Дослідницька група також перевірила порівняння зображень за допомогою статистичних процедур, підтвердивши, що між ними практично немає вимірних відмінностей.

Джобі Чарнецький, доцент МДУ та співавтор статті, застерігає, що це не означає, що два набори зображень ідентичні.

«Поки ми не можемо сказати зображень надаватимуть однакову інформацію за будь-яких умов, для цього конкретного питання вони дозволяють приймати подібні рішення. Коефіцієнт відбиття ближнього інфрачервоного діапазону може бути дуже критичним для деяких рішень щодо рослин. Однак у цьому конкретному випадку захоплююче те, що наше дослідження показує, що можна замінити дорогу технологію недорогим штучним інтелектом і все одно прийти до того самого рішення», — пояснює вона.

Зйомка з повітря може надати інформацію, яку важко отримати з землі. Наприклад, зони, пошкоджені штормом або дефіцит поживних речовин, можуть бути невидимими на рівні очей, але їх можна легко помітити з повітря. Фермери, які мають відповідні дозволи, можуть керувати власними безпілотниками або укласти договір приватна компанія робити так. У будь-якому випадку кольорові карти надають важливу інформацію про стан рослин, необхідну для прийняття управлінських рішень.

Програмне забезпечення та процедури штучного інтелекту, які використовуються в дослідженні, доступні для компаній, які хочуть його впровадити або розширити використання шляхом навчання мережі на додаткових наборах даних.

«Штучний інтелект має великий потенціал для зменшення витрат, що є ключовим фактором для багатьох застосувань у сільському господарстві. Якщо ви можете зробити безпілотник вартістю 600 доларів кориснішим, тоді кожен матиме доступ до нього. І ця інформація допоможе фермерам підвищити врожайність і краще розпоряджатися своєю землею», – підсумовує Чоудгарі.

Кафедра сільськогосподарської та біологічної інженерії знаходиться в Коледжі сільськогосподарських, споживчих та екологічних наук та Інженерному коледжі Грейнджера в Університеті Іллінойсу.

Команда  папір, «Прогноз NDVI/NDRE зі стандартного RGB аерофотознімки з використанням глибокого навчання», опубліковано в Комп’ютери та електроніка в сільському господарстві.