Исследователи из Университета Миссури разработали систему на основе искусственного интеллекта, которая определяет количество всходов на полях по снимкам с дронов. Ее особенность в том, что после обучения на одной культуре ей достаточно одного размеченного изображения, чтобы с высокой точностью начать считать другую.
Густота стояния растений – число ростков на единицу площади – один из главных показателей, который позволяет спрогнозировать урожайность. Традиционно агрономы считают всходы вручную на отдельных участках, что требует много времени, не дает полной картины по всему полю и не позволяет вовремя заметить проблемные зоны. Существующие ИИ-решения для подсчета с дронов требуют для обучения тысячи изображений и плохо адаптируются к новым культурам или меняющимся условиям, например, другому освещению или типу почвы.
Команда из Миссури решила эти проблемы с помощью трансферного обучения. Сначала нейросеть обучали на большом массиве данных – снимках хлопковых полей за три сезона. Это позволило ей усвоить базовые принципы: как выглядят листья и ряды растений, текстура почвы, масштаб съемки с дрона. Затем систему протестировали на кукурузе и сое. После анализа всего одного размеченного снимка сои точность ее распознавания выросла с 0,189 до 0,860 по средней метрике точности (mAP). Для кукурузы показатель увеличился с 0,135 до 0,527. Такой результат объясняется тем, что модели не пришлось изучать агрономический контекст с нуля.
Разработка не просто считает растения, а формирует точные геопривязанные карты. На них каждый росток отмечен как точка с географическими координатами. Это позволяет аграриям анализировать густоту посевов по всему полю, выявлять участки с плохой всхожестью и принимать решения, например, о пересеве. Весь программный комплекс, описанный в журнале Smart Agricultural Technology, опубликован в открытом доступе.
Исследователи отмечают, что у модели есть ограничения. Например, при обучении исключались частично видимые растения, что может приводить к занижению итогового числа на участках с очень густыми всходами. Тем не менее работа показывает, что основной барьер для внедрения ИИ в сельском хозяйстве – не сложность алгоритмов, а высокая стоимость сбора и разметки данных. Предложенный подход позволяет многократно повысить ценность каждого нового снимка. Проект поддержали Совет по соевым бобам США и Национальный институт продовольствия и сельского хозяйства при Минсельхозе США.