Maskinlæring i landbruget:Forskere lærer computere at diagnosticere sojabønnestress

Iowa State University forskere arbejder hen imod en fremtid, hvor landmænd kan bruge ubemandede fly til at få øje på, og endda forudsige, sygdom og stress i deres afgrøder. Deres vision er afhængig af maskinlæring, en automatiseret proces, hvor teknologi kan hjælpe landmænd til at reagere mere effektivt på plantestress.

Arti Singh, adjungeret adjunkt i agronomi, leder et tværfagligt forskerhold, der for nylig modtog et treårigt, $ 499, 845 tilskud fra U.S. Department of Agriculture's National Institute of Food and Agriculture til at udvikle maskinlæringsteknologi, der kunne automatisere landmændenes evne til at diagnosticere en række større belastninger i sojabønner. Teknologien under udvikling ville gøre brug af kameraer knyttet til ubemandede luftfartøjer, eller UAV'er, at samle fugle-øje-billeder af sojabønnemarker. En computerapplikation ville automatisk analysere billederne og advare landmanden om problemer.

"På sit mest grundlæggende, maskinlæring er simpelthen at træne en maskine til at gøre noget, vi gør, "Sagde Singh." Når du vil lære et barn, hvad en bil er, du viser dem biler. Dette er, hvad vi gør for at træne computeralgoritmer, viser et stort antal billeder af forskellige belastninger af sojabønner for at identificere, klassificere, kvantificere og forudsige belastninger i feltet. "

Forskergruppen har samlet et enormt datasæt af sojabønnebilleder, nogle sunde og nogle under stress og sygdom, som de derefter mærkede. Et computerprogram går gennem de mærkede billeder og samler algoritmer, der kan genkende stress i nye billeder. Singh sagde, at maskinlæringsprogrammet kunne se en lang række almindelige belastninger af sojabønner, herunder svampe, bakterielle og virussygdomme, samt næringsstofmangel og herbicidskade.

Brug af hyperspektral billeddannelse, eller kameraer, der fanger bølgelængdeområder ud over dem, der ses af det menneskelige øje, kunne give teknologien mulighed for at forudsige tilstedeværelsen af ​​belastninger, før symptomerne overhovedet viser sig, at give landmændene ekstra tid til at håndtere problemet, hun sagde.

Singhs fascination af maskinlæring begyndte i 2014, da hun deltog i et seminar om emnet, der var vært for ISU Plant Sciences Institute. Hun syntes straks, at teknologien holdt løfte om planteavl og plantepatologi, men en undersøgelse af den akademiske litteratur viste, at hovedparten af ​​arbejdet på området kom fra ingeniørdiscipliner, ikke plantevidenskab. Hun indså, at mere samarbejde ville være nødvendigt for at fremme dette felt inden for landbrug.

"Vi skal også inkludere planteforskere, "sagde hun." Ellers vi får ingeniører til at arbejde med plantevidenskabelige problemer. Samarbejdet mellem discipliner er det, der gør det muligt. "

Hun hjalp til med at samle et tværfagligt team, der skabte en app, der giver smartphone -brugere mulighed for at tage billeder af sojabønneplanter for at afgøre, om planterne lider af jernmangel. Nu, forskergruppen har til formål at skalere deres arbejde ud fra den originale app, som kræver manuelt optagede fotos for at diagnosticere en enkelt stress, til algoritmer, der er i stand til at tage billeder fra UAV'er og identificere en række spændinger.

Teknologiens fremtid hviler på forskere og ingeniørers evne til at samle den rigtige slags datasæt og derefter udvikle evnen til at analysere disse data. Ved udløbet af tilskuddet, Singh sagde, at teamet agter at have gennemført en ramme for bedste praksis for dataindsamling ved hjælp af UAV'er. Det inkluderer at finde ud af optimale billedopløsninger, samt optimale højder og hastigheder for UAV'erne. Forskerne håber problemfrit at integrere dataindsamling, kurering og analyse, der fører til anvendelse i landbrugsarealer for at detektere og afbøde plantespændinger rettidigt. Singh sagde, at teamet vil gøre alle deres fund offentligt tilgængelige ved projektets afslutning.

Fremgangsmåden har også potentiale til anvendelse i mange andre afgrøder, Sagde Singh.