Gépi tanulás a növénytermesztésben

A mesterséges intelligencia és a gépi tanulás segítségével automatizálhatjuk a növények, termések megszámlálását.

Az object detection technológiának köszönhetően, megfelelő mennyiségű minta alapján a palánták, illetve termések akkor is megszámlálhatók, ha nem láthatók teljes egészükben, mert a többi palánta, termés vagy egyéb növények részben takarják őket.

A technológia segítségével a terméseket osztályozhatjuk is méret, súly és színek szerint.

Esettanulmányunkban kifejlesztettünk egy, a gépi látáson alapuló szikleveles paradicsompalánta-számláló alkalmazást a Syngenta Magyaroroszág Kft. részére.

Paradicsomszámlálás tárgyfelismeréssel (object detection)

  • Alapmodell: faster_rcnn_inception_v2 (coco)
  • Bemenet: 255×255
  • Kimenet: észlelt tárgy pozíciója, felismerési százaléka

Object detection technológiát használtunk paradicsom, kukorica és napraforgó felismerésére és megszámlálására. A már előre tanított faster_rcnn_inception_v2_coco alapmodellt tanítottunk újra saját adatkészlettel, így elég pontos modellt kaptunk, amely képes felismerni a takarásban lévő növényeket is.

Az object detection modellt kb. 1500 paradicsom képével tanítottuk újra. A tesztadatokon 97%-os pontosságot értünk el, 18672 epoch (tanítási ismétlésszám) után.

Az így elkészített modell képes felismerni a paradicsomot a palántákon is, színtől és mérettől függetlenül.

Napraforgószámlálás nagyméretű drónképeken

  • Alapmodell: faster_rcnn_inception_v2 (coco)
  • Bemenet: 600×450
  • Kimenet: észlelt tárgy pozíciója, felismerési százaléka

A drónfelvételek 20 méter magasságban készültek. Egy kép felbontása 4864×3648 képpont. Ezek a képek túl nagyméretűek lettek volna a tanításhoz, ezért feltördeltük őket 600×450 méretre, majd az így kapott képekkel tanítottuk a modellt.

A tanításhoz kb. 2500 napraforgó képét használtuk fel. A tesztadatokon 90%-os pontosságot értünk el, 9427 epoch (tanítási ismétlésszám) után.

Az így elkészített modell képes felismerni a kis- és nagyméretű napraforgót egyaránt.

Palánták számlálása PlantCV framework és gépi látás használatával

Esettanulmányunkban kifejlesztettünk egy, a gépi látáson alapuló szikleveles paradicsompalánta-számláló alkalmazást a Syngenta Magyaroroszág Kft. részére. A SeedlingCounter egyszerűen használható képrögzítő és palántaszámlálás-előkészítő program iOS operációs rendszerre.

A program a tálcákat QR kód segítségével megkülönbözteti, majd rögzíti a róluk készült képet. A rögzített képekhez régiókat (region of interest) társít, és továbbküldi a szerveren futó társalkalmazásnak. A fogadott képeket egy gyors beállítás után oszlopokba rendezi, megszámolja, majd Excel formátumban exportálja.

A számlálás menete

A program egy megadott mappából beolvassa a képeket és a hozzájuk tartozó ROI fájlokat. A képekből fekete-fehér képeket készít, így jobban kirajzolódnak az alakzatok.

Ha kétszikű növényt akarunk számolni, akkor növeljük az alakok köré rajzolt körvonalat, így a levelek összeérnek. Ha a levelek nem érnek össze, és két vagy több alakzatot alkotnak, akkor a program tévesen fog számolni.

A növényi alakzatokat a program felismeri és megszámolja. A felismert alakzatokat beszínezi, és későbbi ellenőrzés céljából képként elmenti.

Napraforgószámlálás nagyméretű drónképeken

  • Alapmodell: faster_rcnn_inception_v2 (coco)
  • Bemenet: 600×450
  • Kimenet: észlelt tárgy pozíciója, felismerési százaléka

A drónfelvételek 20 méter magasságban készültek. Egy kép felbontása 4864×3648 képpont. Ezek a képek túl nagyméretűek lettek volna a tanításhoz, ezért feltördeltük őket 600×450 méretre, majd az így kapott képekkel tanítottuk a modellt.

A tanításhoz kb. 2500 napraforgó képét használtuk fel. A tesztadatokon 90%-os pontosságot értünk el, 9427 epoch (tanítási ismétlésszám) után.

Az így elkészített modell képes felismerni a kis- és nagyméretű napraforgót egyaránt.

Palánták számlálása PlantCV framework és gépi látás használatával

A SeedlingCounter egyszerűen használható képrögzítő és palántaszámlálás-előkészítő program iOS operációs rendszerre.

A program a tálcákat QR kód segítségével megkülönbözteti, majd rögzíti a róluk készült képet. A rögzített képekhez régiókat (region of interest) társít, és továbbküldi a szerveren futó társalkalmazásnak. A fogadott képeket egy gyors beállítás után oszlopokba rendezi, megszámolja, majd Excel formátumban exportálja.

A számlálás menete

A program egy megadott mappából beolvassa a képeket és a hozzájuk tartozó ROI fájlokat. A képekből fekete-fehér képeket készít, így jobban kirajzolódnak az alakzatok.

Ha kétszikű növényt akarunk számolni, akkor növeljük az alakok köré rajzolt körvonalat, így a levelek összeérnek. Ha a levelek nem érnek össze, és két vagy több alakzatot alkotnak, akkor a program tévesen fog számolni.

A növényi alakzatokat a program felismeri és megszámolja. A felismert alakzatokat beszínezi, és későbbi ellenőrzés céljából képként elmenti.