System widzenia maszynowego zdolny do lokalizowania i identyfikowania kwiatów króla jabłoni w skupiskach kwiatów na drzewach w sadach został opracowany przez naukowców z Penn State - krytyczny wczesny krok w rozwoju zrobotyzowanego systemu zapylania - w pierwszym tego rodzaju badaniu .
Kwiaty jabłoni rosną w grupach od czterech do sześciu kwiatów przyczepionych do gałęzi, a środkowy kwiat jest znany jako kwiat królewski. Ten kwiat otwiera się jako pierwszy w gronie i zwykle wyrasta z największych owoców. Jest to więc kluczowy cel zrobotyzowanego systemu zapylania, według badacza Long He, adiunkta rolnictwa i inżynieria biologiczna.
Zapylanie owadów było tradycyjnie podstawą produktywności jabłek. Zauważył jednak, że dowody sugerują, że usługi zapylania, zarówno przez udomowione pszczoły miodne, jak i dzikie zapylacze, nie odpowiadają rosnącym wymaganiom. Wskutek zespół zapaści koloniipszczoły miodne na całym świecie giną w zastraszającym tempie. W rezultacie producenci potrzebują alternatywnych metod zapylania.
To najnowsze badanie przeprowadzone przez grupę badawczą He w College of Agricultural Sciences, która zajmuje się opracowywaniem systemów robotów do wykonywania pracochłonnych zadań rolniczych, takich jak zbieranie grzybów, przycinanie jabłoni i przerzedzanie zielonych owoców. Wyjaśnił, że głównym celem tego projektu było opracowanie systemu wizyjnego opartego na głębokim uczeniu się, który mógłby precyzyjnie identyfikować i lokalizować królewskie kwiaty w koronach drzew.
„Uważamy, że ten wynik dostarczy podstawowych informacji dla zrobotyzowanego systemu zapylania, który doprowadzi do wydajnego i powtarzalnego zapylania jabłek, aby zmaksymalizować plon wysokiej jakości owoców” – powiedział. „W Pensylwanii nadal możemy polegać na pszczołach, które zapylają uprawy jabłoni, ale w innych regionach, w których wymieranie pszczół było poważniejsze, hodowcy mogą potrzebować tej technologii wcześniej niż później”.
Xinyang Mu, doktorant na Wydziale Inżynierii Biologicznej Rolnictwa, przewodził badaniu króla kwiatów. Mu użył Mask R-CNN — popularnego programu komputerowego do głębokiego uczenia się, który wykonuje segmentację na poziomie pikseli w celu wykrywania obiektów częściowo zasłoniętych przez inne obiekty — w celu identyfikacji i zlokalizowania królewskich kwiatów w systemie widzenia maszynowego.
Aby zbudować model wykrywania oparty na Mask R-CNN, wykonał setki zdjęć skupisk kwiatów jabłoni. Następnie opracował algorytm segmentacji królewskich kwiatów, aby identyfikować i lokalizować królewskie kwiaty z tego surowego zbioru danych obrazów kwiatów jabłoni. Badania przeprowadzono w Fruit Research and Extension Center w Penn State w Biglerville.
Gala i Honeycrisp jabłko Do badań wybrano odmiany. Drzewa testowe posadzono w 2014 r. w rozstawie około 5 stóp (Gala) i 6 1/2 stopy (Honeycrisp). Drzewa te były trenowane w architekturze wysokich wrzecion, o średniej wysokości około 13 stóp. System akwizycji obrazu wraz z kamerą zamontowano na pojeździe użytkowym manewrującym między rzędami drzew.
Mu zauważył, że trenowanie systemu widzenia maszynowego w celu zlokalizowania kwiatów królewskich było wyzwaniem, ponieważ mają one ten sam rozmiar, kolor i kształt co boczne kwiaty w gronach, a kwiaty królewskie są zwykle zasłonięte przez otaczające kwiaty ze względu na ich centralne położenie.
Aby spełnić wymagania uczenia się transferu dla szkolenia modelu Mask R-CNN, surowe obrazy zostały oznaczone w dwóch predefiniowanych klasach: pojedyncze kwiaty i zakryte kwiaty. Aby zwiększyć precyzję, zestaw danych treningowych został czterokrotnie powiększony przy użyciu metod zwiększania danych, wyjaśnił Mu.
„Aby odróżnić kwiaty królewskie od kwiatów bocznych, celowano w najbardziej centralny kwiat w każdym skupisku kwiatów” – powiedział. „System wizyjny automatycznie lokalizował skupiska kwiatów osobno w oparciu o dwuwymiarowe podejście do mapowania gęstości kwiatów. W każdym wykrytym skupisku kwiatów kwiat – lub maska – w najbardziej wyśrodkowanej pozycji został określony jako docelowy kwiat królewski”.
W wynikach opublikowanych niedawno w Inteligentna technologia rolnicza, naukowcy zgłosili wysoki poziom dokładności wykrywania kwiatów królewskich wynikający z algorytmu Mu. W porównaniu z pomiarami wykonanymi ręcznie przez badaczy identyfikującymi kwiaty królewskie naocznie – zwanymi przez naukowców pomiarami prawdy naziemnej – dokładność wykrywania kwiatów królewskich za pomocą wizji maszynowej wahała się od 98.7% do 65.6%.