Los científicos desarrollaron un dispositivo de aprendizaje automático que puede enseñarse a distinguirse en imágenes aéreas de flores y hierba sin flotar, con una mínima orientación al aire libre, un progreso que mejorará en gran medida la velocidad de investigación del campo agrícola. Este trabajo se realizó utilizando miles de tipos de imágenes. Misceláneo Hierba, cada una de las cuales tiene sus propias flores y tiempo.
Andrew Leky, profesor de biología y ciencias de los cultivos en la Universidad Eli -Nayyah Urbana Champion, dijo: “El profesor de la Universidad de Elijah Urbana, el profesor Andrew Leky, profesor de organismos vegetales, dijo que en varios lugares de ciclo en ascenso, diferentes condiciones de la cosecha son bien conocidas, con un nuevo trabajo basado en la ciencia”.
El nuevo enfoque debe aplicarse a muchos otros cultivos y problemas de visión por computadora, dijo Lucky.
Los resultados se informan en la revista Fisiología vegetal.
“El tiempo de flores es un atributo importante que afecta la productividad e incluye la adaptación de muchos cultivos, incluida MisceláneoPara varias regiones en crecimiento, “Lucky dijo”. Pero la inspección visual de miles de plantas individuales que crecen en ensayos de campo generalizados es muy diligente. “Al recopilar imágenes a través de drones de aire y usar inteligencia artificial puede usar datos relacionados con estas imágenes, y se pueden gestionar más”. Estos datos son mucho tiempo. Y las formas de aprender dependen profundamente del contexto. “
Esto significa que cuando el contexto cambia, por ejemplo, cuando el modelo debería distinguir las características de un cultivo diferente o el mismo cultivo en diferentes lugares o diferentes lugares del año, por lo que dijo que debería ser comprendido utilizando imágenes recientemente interpretadas que reflejan estas nuevas situaciones.
“Hay muchos ejemplos en los que las personas han proporcionado evidencia del uso de IA para acelerar el uso de tecnologías de sensores de los sensores de la hoja a los satélites, durante las aplicaciones en las ciencias del suelo, el suelo y el cultivo, pero aún no se adopta demasiado o que espere.
Para reducir la necesidad de datos de entrenamiento humanos sin precedentes, Verla recurrió a una forma famosa de competir con dos modelos de IA para competir entre sí, conocidos como “Red de asesores generativos” o GaN. Una aplicación común de Gans es que un modelo produzca imágenes falsas de la escena deseada y revise fotos para que el otro modelo descubra qué falso y qué hecho es. Warela dijo que con el tiempo, los modelos se mejoran entre sí. El modelo uno produce más falso realista, y el modelo es mejor para separar dos imágenes falsas de lo real.
En este proceso, los modelos obtienen habilidades visuales en temas específicos, lo que puede analizar mejor los detalles de cualquiera de sus nuevas fotos. Warilla especuló que podría ofrecer estas habilidades hechas a sí misma para trabajar para trabajar para reducir el número de imágenes interpretadas necesarias para entrenar modelos para distinguir muchos cultivos diferentes. En este proceso, creó una “red generativa y adsarial efectiva” o Esagan.
En una serie de experimentos, los investigadores experimentaron con la precisión de ESGAN contra el protocolo actual de entrenamiento de IA. Descubrió que ESGEN redujo la necesidad de datos declarados humanos a través de uno o dos órdenes de expandir los “métodos de aprendizaje tradicionales, completamente superiores a la supervisión”.
Los investigadores informan que los nuevos resultados han representado una reducción importante en los esfuerzos necesarios para desarrollar y utilizar un modelo de aprendizaje automático capacitado personalizado para determinar el tiempo del tiempo de flores. “Y este enfoque allana el camino para superar desafíos similares en biología y otros campos de la agricultura digital”.
El trabajo continuará con Fleaty y Verla Misceláneo Breeder Erics para aplicar nuevos procedimientos a los datos de Multiestate Misceláneo Caso de mejora. El propósito del juicio es desarrollar líneas adaptables regionalmente Misceláneo Se puede usar como un stock de alimentación para que puedan producir bio -combustibles y bio -productos de alto costo en el terreno que actualmente no son beneficiosos para la forma.
“Esperamos que nuestro nuevo enfoque pueda usarse para usar herramientas de IA para la mejora de los cultivos por parte de otros, que pueden incluir una amplia variedad de características y especies, lo que ayuda a fortalecer el bioquímomo”, dijo Lucky.
Lucky Carl es profesor en el Centro de Agricultura Digital en el Instituto de Raves de Biología Genómica, el Instituto de Sostenibilidad, Energía y Medio Ambiente y el Centro de Agricultura Digital en los Estados Unidos.
Oficina del Departamento de Energía, Ciencia, Investigación Biológica y Ambiental de los Estados Unidos; Iniciativa del Departamento de Agricultura, Agricultura e Investigación de Alimentos de los Estados Unidos; Y el vodka hecho a mano del tatuaje apoyó la investigación.
