Penn Staten tutkijat kehittivät ensimmäisessä tutkimuksessa konenäköjärjestelmän, joka pystyy paikantamaan ja tunnistamaan omenakuningaskukkia hedelmätarhojen puiden kukkaryhmistä. .
Omenakukat kasvavat oksiin kiinnittyneen neljän-kuuden kukinnan ryhmissä, ja keskikukka tunnetaan kuningaskukana. Tämä kukka avautuu ensimmäisenä klusterissa ja kasvattaa yleensä suurimman hedelmän. Se on siis robottipölytysjärjestelmän tärkein kohde, sanoo maatalouden ja maatalouden apulaisprofessori Long He. biologinen tekniikka.
Hyönteispölytykseen on perinteisesti luotettu omenoiden tuottavuuden kannalta. Todisteet viittaavat kuitenkin siihen, että pölytyspalvelut, sekä kotimaisten mehiläisten että luonnonvaraisten pölyttäjien, eivät vastaa kasvavia vaatimuksia, hän huomautti. Johdosta siirtokunnan romahtamishäiriö, mehiläiset ympäri maailmaa ovat kuolleet hälyttävällä nopeudella. Tämän seurauksena tuottajat tarvitsevat vaihtoehtoisia pölytysmenetelmiä.
Tämä tutkimus on viimeisin He'n College of Agricultural Sciences -yliopiston tutkimusryhmän suorittama tutkimus, joka on omistautunut robottijärjestelmien kehittämiseen työvoimavaltaisten maatalouden tehtävien, kuten sienien poiminta, omenapuiden karsiminen ja vihreiden hedelmien harvennus, suorittamiseen. Hän selitti, että tämän projektin ensisijainen tavoite oli kehittää syvään oppimiseen perustuva näkemysjärjestelmä, joka voisi tarkasti tunnistaa ja paikantaa kuninkaalliset kukat puiden katoksissa.
"Uskomme, että tämä tulos tarjoaa perustiedot robottipölytysjärjestelmälle, joka johtaisi tehokkaaseen ja toistettavaan omenoiden pölytykseen korkealaatuisten hedelmien tuoton maksimoimiseksi", hän sanoi. "Pennsylvaniassa voimme edelleen luottaa mehiläisiin omenasatojen pölyttämiseen, mutta muilla alueilla, joilla mehiläisten kuolleisuus on ollut vakavampaa, viljelijät saattavat tarvita tätä tekniikkaa ennemmin tai myöhemmin."
Xinyang Mu, maatalousbiologisen tekniikan laitoksen tohtoriopiskelija, johti kuningaskukkatutkimusta. Mu käytti Mask R-CNN:ää – suosittua syvälle oppivaa tietokoneohjelmaa, joka suorittaa pikselitason segmentoinnin havaitakseen kohteet, jotka ovat osittain muiden objektien peittämiä – tunnistaakseen ja paikantaakseen kuninkaalliset kukat konenäköjärjestelmässä.
Rakentaakseen Mask R-CNN -pohjaisen tunnistusmallin hän otti satoja omenankukkarypälekuvia. Sitten hän kehitti kuningaskukkien segmentointialgoritmin kuninkaallisten kukkien tunnistamiseksi ja paikantamiseksi tuosta omenakukkakuvien raakatietojoukosta. Tutkimus suoritettiin Penn Staten Fruit Research and Extension Centerissä, Biglervillessä.
Gaala ja Honeycrisp omena lajikkeita valittiin testeihin. Testipuut istutettiin vuonna 2014 noin 5 jalkaa (Gala) ja 6 1/2 jalkaa (Honeycrisp) puiden etäisyydellä. Nämä puut koulutettiin korkean karan latvusarkkitehtuuriin, joiden keskikorkeus oli noin 13 jalkaa. Kameralla varustettu kuvanottojärjestelmä asennettiin puurivien väliin ohjattuun hyötyajoneuvoon.
Konenäköjärjestelmän kouluttaminen paikantamaan kuningaskukkia oli haastavaa, Mu huomautti, koska ne ovat samankokoisia, -värisiä ja -muotoisia kuin rypäleissä olevat sivukukat, ja tyypillisesti kuningaskukat peittävät ympäröivät kukat niiden keskeisen sijainnin vuoksi.
Mask R-CNN -mallikoulutuksen siirtooppimisen vaatimusten täyttämiseksi raakakuvat leimattiin kahteen ennalta määritettyyn luokkaan: yksittäisiin kukkoihin ja tukkeutuneisiin kukkoihin. Tarkkuuden parantamiseksi harjoitustietojoukkoa suurennettiin neljä kertaa käyttämällä datan lisäysmenetelmiä, Mu selitti.
"Jotta kuningaskukat erotetaan sivukukista, kunkin kukkaklusterin keskeisin kukka kohdistettiin tai lokalisoitiin", hän sanoi. "Näköjärjestelmä paikansi kukkaklusterit automaattisesti erikseen kaksiulotteisen kukkatiheyskartoituksen perusteella. Jokaisen havaitun kukkaklusterin sisällä keskeisimpänä oleva kukka – tai naamio – määritettiin kohdekuningaskukkaksi.
Äskettäin vuonna julkaistuissa tuloksissa Älykäs maataloustekniikka, tutkijat raportoivat Mu-algoritmista seuranneesta kuningaskukkien tunnistustarkkuuden korkeasta tasosta. Verrattuna mittauksiin, jotka tutkijat tekivät manuaalisesti, kun ne tunnistavat kuningaskukat silmän perusteella – joita tutkijat kutsuvat maan totuusmittauksiksi – konenäön kuningaskukkien tunnistustarkkuus vaihteli 98.7 prosentista 65.6 prosenttiin.