Agricultura Estados Unidos Tecnología Agrícola

Nuevo conjunto de datos de imágenes aéreas para ayudar a proporcionar a los agricultores información práctica


Un conjunto de datos de imágenes aéreas a gran escala producidas por Intelinair, un spin-out de la Universidad de Illinois en Urbana-Champaign, tiene como objetivo dar a los agricultores visibilidad sobre las condiciones de sus campos.


por Kim Gudeman, Universidad de Illinois en Urbana-Champaign


El conjunto de datos, llamado Agriculture-Vision, permitirá el análisis de patrones agrícolas de imágenes aéreas, proporcionando a los agricultores información práctica sobre el rendimiento de sus cultivos para mejorar la toma de decisiones y maximizar los rendimientos.

Hasta ahora, ha habido una escasez de conjuntos de datos de imágenes agrícolas de alta calidad, debido en parte al gran tamaño de imagen requerido para capturar muchos acres de tierra, así como a la dificultad de reconocer patrones que no ocurren consistentemente en grandes áreas. Investigadores de UIUC y la Universidad de Oregon trabajaron con Intelinair para desarrollar nuevas técnicas de visión por computadora que resuelvan problemas complejos de reconocimiento de patrones a través de métodos de aprendizaje profundo.

«La agricultura de próxima generación debe basarse en los datos», dijeron Naira Hovakimyan de CSL, W. Grafton y Lillian B. Wilkins, profesora de Ciencia e Ingeniería Mecánica en Illinois y cofundadora y científica principal de Intelinair. «Al automatizar el proceso de recolección frecuente de datos de alta resolución y usar los datos en el modelado predictivo a través de algoritmos de aprendizaje profundo, estamos avanzando a la etapa en que las condiciones en cualquier granja pueden pronosticarse de la misma manera que los pronósticos del tiempo, por ejemplo. Está a solo un clic de distancia «.

No desde mediados del siglo XX, cuando los científicos aprendieron a aumentar los rendimientos manipulando los genomas de los cultivos y se introdujo el amplio uso de pesticidas, una nueva tecnología ha demostrado ser muy prometedora. La IA ya se está utilizando para automatizar los procesos agrícolas y recopilar datos sobre las condiciones del campo. Sin embargo, el reconocimiento de patrones visuales relacionados con ag ha progresado lentamente, en parte debido a la falta de conjuntos de datos a gran escala y de alta calidad.

Hovakimyan dice que el análisis de patrones agrícolas plantea un desafío único porque requiere el reconocimiento de patrones que no ocurren de manera consistente y que son difíciles de distinguir, como malezas o vías fluviales, en grandes áreas. Por ejemplo, discernir la diferencia entre un perro y un gato no es tan complicado como distinguir el trigo del ryegrass, una maleza cuyo color y forma son similares a los del trigo, y que se ve muy similar desde el aire.

El profesor Thomas Huang, presidente emérito de Maybelle Leland Swanlund emérito en ingeniería eléctrica e informática, y Humphrey Shi, un alumno de Illinois en ingeniería eléctrica e informática que ahora se encuentra en la Universidad de Oregon, en estrecha colaboración con Hovakimyan, dirigió un equipo de estudiantes de ECE Los investigadores seleccionaron el conjunto de datos y propusieron nuevas soluciones en la segmentación semántica, que es el proceso de agrupar partes de una imagen (píxel por píxel) en la misma clase de objeto. Para Agriculture-Vision, los agrónomos determinaron las clases y anotaron las imágenes.

El documento del conjunto de datos de Agriculture-Vision fue aceptado por la Conferencia IEEE / CVF sobre Visión por Computadora y Reconocimiento de Patrones (CVPR), la conferencia mejor clasificada entre todos los espacios de publicación en informática e ingeniería según Google Scholar Metrics. El equipo también está organizando un primer taller de visión agrícola en CVPR en Seattle en junio de 2020. Ha atraído una gran cantidad de atención de las comunidades agrícolas y de visión por computadora.

El conjunto de datos actual de Agriculture-Vision incluye cerca de cien mil imágenes de miles de campos de maíz y soja en varios estados del Medio Oeste. Incluye anotaciones para afecciones como deficiencias de nutrientes, secado, grupos de malezas y más. Eventualmente, los investigadores planean expandir el conjunto de datos para incluir diferentes modalidades, como suelo, mapas topográficos e imágenes térmicas. Dicen que las imágenes capturadas temporada tras temporada, año tras año, podrían permitir la creación de modelos de aprendizaje profundo que ayuden a los agricultores a planificar no solo la próxima temporada, sino también la salud sostenible a largo plazo de su suelo.

Las capacidades de Agriculture-Vision complementan las ofertas de Intelinair, que proporciona inteligencia de cultivos a través de su solución AGMRI para productores, agrónomos, minoristas agrícolas y otros actores en el ecosistema agrícola. Los socios corporativos incluyen Deere & Co., un fabricante de Fortune 100 ag que utiliza los productos de Intelinair en su producto del Centro de operaciones, y Climate Corporation, que ha integrado los productos de Intelinair en su servicio FieldView.

«Estamos entusiasmados de liderar el frente de investigación para el análisis de patrones agrícolas al crear este conjunto de datos , pero hay mucho más que estamos explorando, incorporando etiquetas y anotaciones precisas, historia de la granja, condiciones del suelo y dinámica de los cultivos e integrándolos en el aprendizaje profundo modelos para la inteligencia agrícola de próxima generación «, dijo Hovakimyan. «Estamos justo al comienzo de lo que podemos hacer».


Leer más


LEAVE A RESPONSE

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Social Media Auto Publish Powered By : XYZScripts.com