Kecerdasan buatan dan drone akan membantu menjabarkan hogweed Sosnovsky
Machine

Kecerdasan buatan dan drone akan membantu menjabarkan hogweed Sosnovsky


Gambar masukan (kiri) dan gambar keluaran (kanan), diproses oleh jaringan saraf konvolusional penuh. Kredit: Skoltech

Ilmuwan Skoltech telah menciptakan sistem pemantauan baru untuk aplikasi pertanian yang melakukan segmentasi gambar waktu nyata di atas drone untuk mengidentifikasi hogweed. Penelitian ini diterbitkan dalam jurnal terkenal, Transaksi IEEE di Komputer.

Hogweed Sosnovsky sama berbahayanya untuk pertanian, ekosistem lokal, dan kesehatan manusia. Kontak langsung dengan kulit manusia, terutama jika diperburuk oleh paparan sinar matahari, menyebabkan luka bakar parah yang membutuhkan perawatan medis terus menerus dan membutuhkan waktu berminggu-minggu untuk sembuh. Penyebaran hogweed Sosnovsky yang merajalela telah menjadi bencana lingkungan nyata yang meluas ke seluruh Rusia, dari bagian tengah hingga Siberia dan dari Karelia hingga Kaukasus. Setiap tahun, pemerintah mengalokasikan anggaran yang sangat besar (tahun lalu, 350 juta rubel untuk Moskow saja) untuk penghapusan hogweed. Memberantas tanaman beracun telah menjadi salah satu tantangan terbesar bagi pertanian, lingkungan, dan perawatan kesehatan Rusia.

Pada pertengahan abad ke-20, ada rencana untuk menggunakan hogweed sebagai tanaman pakan ternak, mengingat pertumbuhannya yang cepat, persyaratan perawatan yang rendah, dan perkembangbiakan yang cepat. Namun, segera terungkap bahwa hogweed tidak baik sebagai pakan ternak dan sifat alaminya yang luar biasa adalah masalah utama daripada keuntungan. Satu tanaman dapat menghasilkan 100.000 benih per tahun, yang mudah disebarkan oleh angin. Ini berarti bahwa satu pabrik secara tidak sengaja tertinggal membuat operasi pembersihan menjadi tidak ada gunanya.

Lokalisasi real-time yang akurat dari hogweed adalah masalah pertama yang ditemui para peneliti dari Skoltech Center for Computational and Data-Intensive Science and Engineering (CDISE) ketika mereka mulai mengembangkan platform pemantauan mereka dua tahun lalu. “Metode pemantauan konvensional tidak cukup efektif, karena pengamatan di darat sangat bergantung pada faktor manusia, sedangkan penginderaan jauh ruang angkasa hanya dapat melihat semak-semak besar. Citra satelit tidak memiliki resolusi yang memadai untuk membedakan tanaman individu. Selain itu, pemantauan tradisional sangat bergantung pada cuaca dan periode kunjungan ulang satelit dan, oleh karena itu, tidak dapat memberikan informasi terkini, “penulis utama dan Skoltech Ph.D. lulusan Alexander Menshchikov menjelaskan.

Para peneliti memutuskan untuk menggunakan drone yang mampu menangkap gambar hogweed resolusi tinggi terbaru bahkan dalam cuaca mendung, dan memilih akuisisi dan pemrosesan data dalam penerbangan di atas drone alih-alih “pengambilan data — orthophotomap— klasik” analisis data “skema. “Meskipun pendekatan tradisional memberikan informasi lengkap tentang area tersebut, pendekatan ini hampir seefektif memproses data di atas kapal dengan segmentasi untuk satu jenis objek, yaitu hogweed Sosnovsky. Selain itu, dalam metode tradisional, penggabungan dan analisis gambar setelah penerbangan dilakukan. beberapa jam, sedangkan pemrosesan dalam penerbangan menghasilkan data waktu nyata yang segera diunduh ke stasiun pangkalan, sehingga pembersihan area yang ditargetkan bisa dimulai sebelum drone mendarat, “tambah Alexander.

Artificial Intelligence dan drone akan membantu menjabarkan hogweed Sosnovsky

Orthophotomap dengan daerah, ditempati oleh Hogweed (disorot oleh warna hijau). Kredit: Skoltech

Solusi pemantauan baru menggunakan drone dan komputer terintegrasi yang menjalankan algoritme segmentasi “berat” berdasarkan Jaringan Neural Konvolusional Penuh (FCNN) yang dapat mengidentifikasi objek berbentuk tidak beraturan (dalam hal ini, hogweed Sosnovsky) piksel demi piksel . Ini akan membantu membedakan tanaman individu dan meningkatkan kemungkinan membunuh semua gulma di area yang dipilih.

Menjalankan FCNN pada perangkat keras berdaya rendah, seperti komputer papan tunggal (SBC), adalah penghalang utama proyek tersebut. Karena hanya ada sejumlah kecil komputer yang memiliki sumber daya dan prosesor yang cukup yang mendukung FCNN, para peneliti harus menemukan arsitektur SBC yang sesuai dan mengoptimalkan FCNN agar dapat berjalan pada versi perangkat keras yang dipilih.

“Kami memilih arsitektur populer, UNet, SegNet, dan ResNet, untuk jaringan saraf kami dan mengadaptasinya untuk SBC. Kami memasang dan menguji sistem pemantauan kami di pesawat tanpa awak yang mencakup area hingga 28 hektar dalam 40 menit, terbang di ketinggian 10 meter. Dan tidak ada rumput liar yang terlewat, “kata asisten profesor Skoltech dan supervisor proyek Andrey Somov.

“Sistem kami menampilkan peningkatan efisiensi pelokalan berlipat ganda, meskipun sistem ini memproses gambar 4K dengan kecepatan sedang 0,7 fps,” tambah Andrey.

Pendekatan baru ini sangat menjanjikan untuk pertanian: Dapat digunakan untuk memantau tanaman lain, mengidentifikasi berbagai indikator vegetatif, menilai kesehatan tanaman, dan mendeteksi penyakit tanaman dengan menerapkan citra multispektral.


Profesor kedokteran darurat menawarkan tip untuk menangani paparan hogweed


Informasi lebih lanjut:
Alexander Menshchikov dkk, Deteksi Waktu Nyata Hogweed: Platform UAV Didukung oleh Pembelajaran Mendalam, Transaksi IEEE di Komputer (2021). DOI: 10.1109 / TC.2021.3059819

Disediakan oleh Institut Sains dan Teknologi Skolkovo

Kutipan: Kecerdasan buatan dan drone akan membantu menentukan hogweed Sosnovsky (2021, 11 Mei) diambil 11 Mei 2021 dari https://techxplore.com/news/2021-05-artificial-intelligence-drones-pin-sosnovsky.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP