Производители сельскохозяйственной продукции и производители часто нуждаются в информации о характеристиках культур, от содержания питательных веществ до химического состава, для принятия управленческих решений. В последние годы мультиспектральная визуализация стала полезным инструментом для анализа продукции, но необходимое оборудование дорого стоит. Стандартные RGB-камеры гораздо доступнее, но их изображения показывают только видимые атрибуты.
Однако если RGB-изображения можно «перевести» в мультиспектральные, снимки, сделанные со смартфона или любой обычной камеры, могут дать сложную информацию. Этот процесс требует сложного компьютерного моделирования и машинного обучения, но как только методы будут разработаны, их можно будет применять к простым устройствам, доступным каждому.
В двух новых статьях, опубликованных в Computers and Electronics in Agriculture, исследователи из Университета Иллинойса в Урбане-Шампейне изучают возможность реконструкции мультиспектральных и гиперспектральных изображений из RGB для химического анализа батата и кукурузы.
«RGB-камера фиксирует только видимый диапазон в трёх полосах: красной, зелёной и синей. Фотографии не могут предоставить никакой химической информации, которая часто необходима для анализа сельскохозяйственных культур. Мы реконструировали изображения из этих трёх полос, чтобы включить информацию из ближнего инфракрасного диапазона, которую можно использовать для определения химического состава», — сказал Мохаммед Камруззаман, доцент кафедры сельскохозяйственной и биологической инженерии (ABE), входящей в состав Колледжа сельскохозяйственных, потребительских и экологических наук и Инженерного колледжа Грейнджера в Университете Иллинойса. Он является автором обеих статей.
«Эта работа имеет множество потенциальных применений в сельском хозяйстве и может значительно снизить затраты. В то время как мультиспектральная камера стоит 10 000 долларов и более, RGB-камеру можно приобрести за несколько сотен долларов», — добавил он.
В первой статье исследователи предоставляют большой набор данных реконструированных изображений для химического анализа батата, который каждый может использовать для собственного моделирования.
«Большинство существующих моделей реконструкции изображений сосредоточены на неорганических объектах, таких как столы и стулья, которые сильно отличаются от биологических объектов. Наша цель — создать набор данных RGB-гиперспектральных изображений для биологического образца и сделать его общедоступным», — сказал ведущий автор Оушен Монжур, докторант в области ABE.
Батат — популярный продукт питания, который также используется для различных промышленных целей, включая текстиль, биоразлагаемые полимеры и биотопливо. Оценка таких качественных характеристик, как содержание сахара (brix), влажность и сухое вещество, важна для определения использования и ценности картофеля. Химический лабораторный анализ занимает много времени и разрушает образцы. Гиперспектральная визуализация (HSI) — это быстрый, точный и неразрушающий метод, но он дорог и сложен.
Именно поэтому исследователи создали Agro-HSR — большую базу данных реконструированных изображений RGB-HSI для сельскохозяйственной промышленности. Набор данных включает 1322 пары изображений из 790 образцов батата, собранных с одной или обеих сторон каждого клубня. Для 141 образца картофеля они измерили содержание brix, твёрдость и влажность, чтобы оценить точность реконструированных изображений, обнаружив, что они хорошо коррелируют с фактическими измерениями.
Они протестировали свой набор данных на пяти популярных моделях реконструкции гиперспектральных изображений, чтобы определить, какая из них работает лучше всего. Выяснилось, что две модели (Restormer и MST++) последовательно превосходили другие по всем показателям.
«Насколько нам известно, это самый большой набор данных для реконструкции гиперспектральных изображений не только в сельском хозяйстве, но и в целом. Мы предоставляем эту базу данных, чтобы каждый мог использовать её для обучения или разработки собственных моделей, включая модели для других сельскохозяйственных продуктов», — сказал Камруззаман.
Во второй статье исследователи описывают новый метод реконструкции мультиспектральных изображений для анализа содержания хлорофилла в кукурузе. Они также представляют простое устройство, которое можно использовать для съёмки в поле и получения немедленных результатов.
«Наша целевая мера — содержание хлорофилла, которое является индикатором роста растений. С помощью этого устройства вы можете сделать снимок, узнать содержание хлорофилла и определить состояние роста сельскохозяйственных культур», — сказал Камруззаман.
Чтобы разработать свою модель, исследователи собрали изображения из трёх разных мест: исследовательского поля в Хэншуй, Китай; теплицы биологии растений Университета Иллинойса; и исследовательской фермы овощных культур Университета Иллинойса.
В каждом месте они разделили территорию на разные уровни плодородия почвы, а на исследовательской ферме Иллинойса подвергли кукурузу трём уровням стресса, заливая водой в течение всего периода роста.
Во всех этих условиях они протестировали несколько подходов к моделированию реконструкции мультиспектральных изображений из RGB. На основе своих выводов они создали новую модель под названием Window-Adaptive Spatial-Spectral Attention Transformer (WASSAT), которая более точно соответствовала фактическим данным.
«Мы объединили спектральные и пространственные режимы внимания, чтобы установить адаптивное окно, которое может различать сельскохозяйственные культуры и почву и другие элементы, улавливая сложность полевых условий. Затем мы реконструировали 10-полосные изображения для прогнозирования содержания хлорофилла и обнаружили, что наши результаты оказались лучше, чем у других моделей», — сказал ведущий автор Ди Сонг, докторант в области ABE.
«Мы разработали портативное устройство, которое включает в себя модель. Вы можете использовать его, чтобы сделать снимок в RGB, который будет преобразован в мультиспектральное изображение, предоставляющее гораздо больше информации», — сказал он. «Далее мы планируем добавить модель прогнозирования, чтобы фермер мог просто сделать снимок и узнать содержание хлорофилла без необходимости интерпретировать изображения».
Этот подход предлагает экономически эффективное решение для точного мониторинга сельскохозяйственных культур, позволяя точно оценивать рост и выявлять стресс, заключили исследователи в статье.
Предоставлено:
Университет Иллинойса в Урбане-Шампейне
Другие новости по теме
- Исследователи раскрыли механизм перестройки плазматической мембраны, который вызывает округление митотических клеток
- Открытые пространства в городах могут быть очагами взаимодействия между людьми и койотами.
- В Трансильвании обнаружено богатое месторождение останков динозавров.
- Недавно обнаруженная колумбийская орхидея под угрозой вымирания из-за изменения климата
- «Пять великих лесов» Центральной Америки — спасательный круг для перелётных птиц Северной Америки
- Поле фермера мечты? Умные технологии контролируют уровень влажности и автоматически регулируют полив
- Генетически модифицированные грибы — это источник белка, устойчивый и по вкусу похожий на мясо
- Устали от индейки? Попробуйте грибы, генетически отредактированные под «мясной» вкус
- Стратегия жизненного цикла микроорганизмов регулирует накопление почвенного органического углерода в условиях гипераридных регионов
- Природа, углерод, питание: три способа, как сельское хозяйство может превратиться из виновника изменения климата в его решение
Другие новости на сайте
- Стоимость мышления
- Новые роли белков STIP1 и Maspin в обновлении клеток и их структуре
- Отмечая 50-летие BMW 3 Series: редкий Tourmaline Violet E46 Convertible
- Беспроводные наушники и колонки со скидками до 40% на распродаже Amazon «Ранняя Чёрная пятница»
- Разложение почвенного углерода значительно варьируется, что имеет значение для климатических моделей
- Новые снимки NASA подтверждают, что комета 3I/ATLAS — не инопланетяне
- Древние болота раскрывают информацию об изменении ветров в Южном полушарии 15 тысяч лет назад
- NASA опубликовало детальные снимки редкой межзвёздной кометы, проходящей через Солнечную систему
- Укрепление нашей системы безопасности с помощью внешнего тестирования.
- В данном случае текст не требует научного или адаптивного перевода, поскольку он не содержит сложной терминологии или специализированных научных данных. Это просто повторение фразы. Если вам нужно что-то ещё, пожалуйста, уточните запрос. 😊