Droni e deep learning

Il riso, un'importante coltura alimentare, è coltivato su quasi 162 milioni di ettari di terreno in tutto il mondo. Uno dei metodi più comunemente usati per quantificare la produzione di riso è il conteggio delle piante di riso. Questa tecnica viene utilizzata per stimare la resa, diagnosticare la crescita e valutare le perdite nelle risaie. La maggior parte dei processi di conteggio del riso in tutto il mondo vengono ancora eseguiti manualmente. Tuttavia, questo è estremamente noioso, laborioso e dispendioso in termini di tempo, il che indica la necessità di soluzioni basate su macchine più veloci ed efficienti.

Ricercatori provenienti da Cina e Singapore hanno recentemente sviluppato un metodo per sostituire il conteggio manuale del riso con un metodo molto più sofisticato, che prevede l'uso di veicoli aerei senza pilota (UAV) o droni.

Secondo il professor Jianguo Yao della Nanjing University of Posts and Telecommunications in Cina, che ha guidato lo studio, “La nuova tecnica utilizza gli UAV per catturare immagini RGB, immagini composte principalmente da luce rossa, verde e blu, della risaia. Queste immagini vengono quindi elaborate utilizzando a rete di deep learning che abbiamo sviluppato, chiamato RiceNet, che può identificare con precisione la densità delle piante di riso nel campo, oltre a fornire caratteristiche semantiche di livello superiore, come la posizione e le dimensioni del raccolto.

Il loro articolo è stato pubblicato Fenomica delle piante.

L'architettura di rete RiceNet è costituita da un estrattore di caratteristiche, al front-end, che analizza le immagini di input e da tre moduli di decodifica delle caratteristiche che sono responsabili della stima della densità delle piante nella risaia, della posizione delle piante nella risaia e la dimensione delle piante, rispettivamente. Queste ultime due caratteristiche sono particolarmente importanti per la ricerca futura sulle tecniche di gestione automatizzata delle colture, come l'irrorazione di fertilizzanti.

Nell'ambito dello studio, il team di ricerca ha schierato un UAV dotato di telecamera sulle risaie nella città cinese di Nanchang e successivamente ha analizzato i dati acquisiti utilizzando un sofisticato analisi dell'immagine tecnica. Successivamente, i ricercatori hanno utilizzato un set di dati di addestramento e un set di dati di test. Il primo è stato utilizzato come riferimento per addestrare il sistema e il secondo è stato utilizzato per convalidare i risultati analitici.

Più specificamente, delle 355 immagini con 257,793 punti etichettati manualmente, 246 sono state selezionate casualmente e utilizzate come immagini di addestramento, mentre le restanti 109 sono state utilizzate come immagini di prova. Ogni immagine conteneva una media di 726 piante di riso.

Secondo il team, la tecnica RiceNet utilizzata per l'analisi delle immagini ha un buon rapporto segnale/rumore. In altre parole, è in grado di distinguere efficacemente le piante di riso dallo sfondo, migliorando così la qualità delle mappe di densità delle piante generate.

I risultati dello studio hanno mostrato che l'errore assoluto medio e l'errore quadratico medio della tecnica RiceNet erano rispettivamente 8.6 e 11.2. In altre parole, le mappe di densità generate utilizzando RiceNet erano in buon accordo con quelle generate utilizzando metodi manuali.

Inoltre, sulla base delle loro osservazioni, il team ha anche condiviso alcune raccomandazioni chiave. Ad esempio, il team non consiglia di acquisire immagini nei giorni di pioggia. Suggerisce inoltre di raccogliere immagini basate su UAV entro un periodo di 4 ore dopo l'alba, in modo da ridurre al minimo il tempo di nebbia e il verificarsi di arricciature delle foglie di riso, che influiscono entrambi negativamente sulla qualità dell'output.

“Oltre a questo, abbiamo ulteriormente convalidato le prestazioni della nostra tecnica utilizzando altri due popolari set di dati sulle colture. I risultati hanno mostrato che il nostro metodo supera significativamente altre tecniche all'avanguardia. Ciò sottolinea il potenziale di RiceNet per sostituire il metodo tradizionale di conteggio manuale del riso», conclude il professor Yao.

RiceNet apre ulteriormente la strada ad altre tecniche di analisi delle colture basate su UAV e deep learning, che a loro volta possono guidare decisioni e strategie per migliorare la produzione di cibo e raccolti da reddito in tutto il mondo.