Дрон нь төмс тариалагчдад альтернарийг хурдан илрүүлэхэд тусалдаг. Энэ тухай Бельгийн Интерпом төмсний үзэсгэлэнгийн үеэр Хөдөө аж ахуй, загас аж ахуй, хүнсний судалгааны хүрээлэнгийн (ILVO) ажилтан Рубен ван де Вижвер мэдэгдэв.
ILVO нь мэдрэгч, нисгэгчгүй онгоц, хиймэл оюун ухааны тусламжтайгаар альтернарийг илрүүлэх туршилтыг хэсэг хугацаанд хийж байна. "Бид тариалагчдад дроноор дамжуулан илүү их мэдээлэл, илүү сайн тойм өгөхийг хичээдэг" гэж судлаач хэлэв. Хиймэл оюун ухаан тариалагчийн ур чадварыг бүрэн орлож чадах хэмжээнд хүрэхгүй гэж тэр нэмж хэлэв.
Эрт үе шат
Мөөгөнцрийн толбыг мөн дроноор хурдан илрүүлэх боломжтой. Ван де Вийвер хэлэхдээ "Дрон дээрх мэдрэгч нь өвчнийг аль болох эрт илрүүлэхэд тусалдаг." "Хиймэл оюун ухааны ачаар та мөөгөнцрийн өвчнийг нэг ургамал дээр аль хэдийн харж болно. Энэ нь тариалагчийн харж чадахаас хамаагүй хурдан бөгөөд ихэвчлэн том талбайд халдвар авсан үед л хардаг. Өвчин таны ургамалд орсны дараа түүнийг устгах нь чухал бөгөөд эрт барих тусам түүний үр нөлөөг хязгаарлаж чадна. Энэхүү эрт илрүүлгийн ачаар тариаланч нь зорилтот шүрших замаар үр дүнтэй оролцож, байгаль орчин, санхүүгийн нөлөөллийг хязгаарлах боломжтой."
Таблетаар дамжуулан үр дүн
Энэхүү технологийн ачаар тариаланч илүү их мэдээлэл авч, тариалангийн талбайн хаана өвчлөл байгааг тоймлон үзэх боломжтой. Зорилго нь тэр бага, илүү нарийвчлалтай цацаж чадна. "Тариалагч шүршихээ алгасах эсвэл хэд хоногоор хойшлуулж болно. Төмсийг цаг агаарын байдлаас шалтгаалан 10-18 удаа шүршинэ. Хэрэв та шүрших ажлыг хоёр хоногоор хойшлуулж чадвал асар их ашиг олно гэсэн үг."
Alternaria solani-ийн үүсгэгдсэн хорт хавдрыг автоматаар илрүүлэх нь ургамал хамгааллын бодисын хэрэглээ болон үүнтэй холбоотой үйлдвэрлэлийн алдагдлыг эрс бууруулахад тусална. Талбайд өндөр нарийвчлалтай гиперспектр зураг авахын тулд проксимал мэдрэгч бүхий платформыг барьж, тохируулсан бөгөөд Alternaria-ийн гэмтлийг нарийн зураглахад ашигласан. А.солани өвчнөөр өвчилсөн төмсний 32 ургамал болон эрүүл лавлагаа 32 ургамлын өндөр нарийвчлалтай халхавчны тусгалын зургийг авсан.
Спектрийн ангилагч Нөлөөлөлд өртсөн болон өртөөгүй пикселүүдийг ялгахын тулд PCA оноонд суурилсан хэсэгчилсэн хамгийн бага квадратын ялгаварлан гадуурхах шинжилгээ (PLS-DA) болон дэмжлэгийн вектор машинуудыг (SVM) туршиж үзсэн. Хоёр спектрийн ангилагч хоёулаа 0.92-оос дээш нарийвчлалтайгаар пикселийн түвшинд сайн ажилласан. NIR бүс (750 нм) нь гэмтлийг илрүүлэх спектрийн хамгийн ялгавартай хэсэг гэж тодорхойлсон. Өвчний даралтыг ихэвчлэн нэг талбайд ногдох гэмтлийн тоогоор илэрхийлдэг тул нарийвчлалыг мөн энэ түвшинд үнэлдэг.
Энэ нь навчны ирмэг болон навчны суганы нэлээн олон тооны хуурамч илрүүлэлтийг харуулж байна. Тиймээс Alternaria-ийн гэмтлийн хэлбэрийн талаарх мэргэжилтнүүдийн мэдлэгт үндэслэн шийдвэрийн модыг зохион бүтээж, ангилсан зургуудыг боловсруулахад ашигласан. Энэ нь хуурамч илрүүлэлтийн тоог бууруулж, 0.17-аас 0.22 болгон эргүүлэн татах замаар нарийвчлалыг 0.88-оос 0.84 болгон нэмэгдүүлсэн. Энэ нь объектын түвшинд ангиллын нарийвчлалыг сайжруулахад ихээхэн зай үлдээдэг. Бид (1) цөөхөн, өргөн долгионы урт хангалттай, (2) орон зайн нөхцөл байдал нь Alternaria-ийн халдвараас үүдэлтэй гэмтлийг илрүүлэхэд чухал гэдгийг олж мэдсэн.
Ангилагч дахь орон зайн контекстийг үр ашигтайгаар багтаах замаар загварын гүйцэтгэлийг сайжруулахын тулд эвхэгддэг мэдрэлийн сүлжээ зэрэг объектын ангилах илүү хүчирхэг аргуудыг ашиглах нь илрүүлэх гүйцэтгэлийг улам сайжруулж магадгүй юм. Энэ нь UAV эсвэл тракторт суурилсан Alternaria зураглал хийх замыг засч магадгүй юм.