Nyt datasæt fra luftbilleder, der hjælper med at give landmændene brugbar indsigt

Et datasæt af store luftbilleder produceret af Intelinair, en spinout fra University of Illinois i Urbana-Champaign, har til formål at give landmænd indsigt i forholdene på deres marker. Datasættet, kaldet Agriculture-Vision, vil muliggøre landbrugsmønsteranalyse af luftbilleder, give landmændene handlekraftig indsigt i deres afgrøders ydeevne for at forbedre beslutningstagningen og maksimere udbyttet.

Indtil nu, der har været mangel på landbrugsbilleddatasæt af høj kvalitet, til dels på grund af den store billedstørrelse, der kræves for at fange mange hektar jord, samt vanskeligheden ved at genkende mønstre, der ikke optræder konsekvent på tværs af store områder. Forskere fra UIUC og University of Oregon arbejdede sammen med Intelinair om at udvikle nye computersynsteknikker, der løser komplekse mønstergenkendelsesproblemer gennem dybe læringsmetoder.

"Næste generations landbrug skal være datadrevet, " sagde CSLs Naira Hovakimyan, W. Grafton og Lillian B. Wilkins professor i mekanisk videnskab og teknik i Illinois og medstifter og chefforsker af Intelinair. "Ved at automatisere processen med hyppig dataindsamling i høj opløsning og bruge dataene i prædiktiv modellering gennem deep learning algoritmer, vi er på vej til det stadie, hvor forholdene på enhver gård kan forudsiges på samme måde som vejrudsigter, for eksempel. Det er kun et klik væk."

Ikke siden midten af ​​det 20. århundrede, da videnskabsmænd lærte, hvordan man øger udbyttet ved at manipulere afgrødens genomer, og den brede brug af pesticider blev introduceret, har en ny teknologi vist så meget lovende. AI bliver allerede brugt til at automatisere landbrugsprocesser og indsamle data om markforhold. Imidlertid, ag-relateret visuel mønstergenkendelse har udviklet sig langsomt, dels på grund af mangel på store datasæt af høj kvalitet.

Hovakimyan siger, at landbrugsmønsteranalyse udgør en unik udfordring, fordi det kræver genkendelse af mønstre, der ikke forekommer konsekvent og er svære at skelne - såsom ukrudt eller vandveje - på tværs af store områder. For eksempel, At skelne forskellen mellem en hund og en kat er ikke så kompliceret som at skelne hvede fra rajgræs - et ukrudt, hvis farve og form ligner hvedes, og det ser stort set det samme ud fra luften.

Professor Thomas Huang, Maybelle Leland Swanlund-begavet formand emeritus i elektro- og computerteknik, og Humphrey Shi, en alun i Illinois i elektro- og computerteknik, som nu er på University of Oregon, i tæt samarbejde med Hovakimyan, ledet et team af ECE-studerende forskere til at kurere datasættet og foreslå nye løsninger inden for semantisk segmentering, som er processen med at gruppere dele af et billede sammen (pixel for pixel) til den samme objektklasse. For Agriculture-Vision, agronomer bestemte klasserne og kommenterede billederne.

Agriculture-Vision datasættet blev accepteret af IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), den højest rangerede konference blandt alle udgivelsessteder inden for datalogi og teknik ifølge Google Scholar Metrics. Holdet arrangerer også en første Agriculture-Vision workshop på CVPR i Seattle i juni 2020. Det har tiltrukket et utal af opmærksomhed fra både landbrug og computervisionssamfund.

Det nuværende Agriculture-Vision-datasæt inkluderer tæt på hundrede tusinde billeder fra tusindvis af majs- og sojabønnemarker på tværs af flere stater i Midtvesten. Det inkluderer annotationer for tilstande som næringsstofmangel, nedtørring, ukrudtsklaser, og mere. Til sidst, forskerne planlægger at udvide datasættet til at omfatte forskellige modaliteter, såsom jord, topografiske kort, og termiske billeder. De siger, at billeder taget sæson efter sæson, år efter år, kunne muliggøre skabelse af dyb læringsmodeller, der hjælper landmænd med at planlægge ikke kun for den næste sæson, men også for deres jords langsigtede bæredygtige sundhed.

Agriculture-Visions evner supplerer Intelinairs tilbud, som leverer afgrødettelligens via sin AGMRI-løsning til avlere, agronomer, ag forhandlere, og andre aktører i ag-økosystemet. Virksomhedspartnere omfatter Deere &Co., en Fortune 100 ag-producent, der bruger Intelinairs produkter i sit Operations Center-produkt, og Climate Corporation, som har integreret Intelinairs produkter i sin FieldView service.

"Vi er glade for at lede forskningsfronten for landbrugsmønsteranalyse ved at skabe dette datasæt, men der er så meget mere vi udforsker, ved at inkorporere nøjagtige etiketter og anmærkninger, gårdens historie, jordbundsforhold, og afgrødedynamik og integrering af disse i deep learning-modeller for næste generations landbrugsintelligens, " sagde Hovakimyan. "Vi er kun i begyndelsen af, hvad vi kan gøre."