在仲夏高溫下走一排排大豆是繁瑣但必不可少的繁育新品種的繁瑣工作。研究人員每天在生長(zhǎng)期的關(guān)鍵時(shí)期承受高溫，以尋找表現(xiàn)出理想性狀的植物，例如豆莢過(guò)早成熟。但是，如果沒(méi)有自動(dòng)檢測(cè)這些性狀的方法，育種者就無(wú)法在給定的一年內(nèi)測(cè)試任意數(shù)量的地塊，從而延長(zhǎng)了將新品種推向市場(chǎng)的時(shí)間。

在伊利諾伊大學(xué)的一項(xiàng)新研究中，研究人員使用無(wú)人機(jī)圖像和人工智能預(yù)測(cè)了兩天內(nèi)的大豆成熟日期，從而大大減少了在地面上穿靴子的需求。

伊利諾伊州作物科學(xué)系助理教授尼古拉斯·馬丁(Nicolas Martin)說(shuō)：“評(píng)估豆莢成熟度非常耗時(shí)，而且容易出錯(cuò)。它是基于豆莢顏色的評(píng)分系統(tǒng)，因此也容易受到人為偏見(jiàn)的影響。”該研究的合著者。“許多研究小組正在嘗試使用無(wú)人機(jī)圖片評(píng)估成熟度，但無(wú)法大規(guī)模進(jìn)行。因此，我們想出了一種更精確的方法來(lái)做到這一點(diǎn)。實(shí)際上，這真的很酷。”

羅德里戈·特雷維森(Rodrigo Trevisan)是與馬丁(Martin)合作的博士生，他們訓(xùn)練了計(jì)算機(jī)，以從在五個(gè)試驗(yàn)，三個(gè)生長(zhǎng)季節(jié)和兩個(gè)國(guó)家收集的無(wú)人機(jī)圖像中檢測(cè)冠層顏色的變化。重要的是，他能夠解釋“不良”圖像以保持準(zhǔn)確性。

“假設(shè)我們希望每三天收集一次圖像，但是有一天，有云或下著雨，所以我們不能。最終，當(dāng)您從不同年份或不同位置獲取數(shù)據(jù)時(shí)，它們的外觀將有所不同圖像的數(shù)量和間隔等等。”特雷維森說(shuō)。“我們開(kāi)發(fā)的主要?jiǎng)?chuàng)新之處在于我們?nèi)绾文軌蛘f(shuō)明我們能夠收集的一切。我們的模型表現(xiàn)良好，而與收集數(shù)據(jù)的頻率無(wú)關(guān)。”

Trevisan使用了一種稱為深度卷積神經(jīng)網(wǎng)絡(luò)的人工智能。他說(shuō)，CNN類似于人類大腦學(xué)習(xí)從我們的眼睛解釋圖像成分(顏色，形狀，紋理)的方式。

Trevisan說(shuō)：“除了形狀，邊界和紋理外，CNN還能檢測(cè)到顏色的細(xì)微變化。對(duì)于我們?cè)噲D做的事情，顏色是最重要的。” “但是我們使用的人工智能模型的優(yōu)勢(shì)在于，使用相同的模型來(lái)預(yù)測(cè)另一個(gè)特征(例如產(chǎn)量或倒伏)將非常簡(jiǎn)單。因此，現(xiàn)在我們已經(jīng)建立了這些模型，對(duì)于人們使用相同的架構(gòu)和相同的策略來(lái)做更多的事情。”

馬丁說(shuō)，商業(yè)育種公司熱衷于這些功能。

“我們?cè)谘芯恐袚碛行袠I(yè)合作伙伴，他們肯定會(huì)在未來(lái)的幾年中使用它。他們做出了非常重要的貢獻(xiàn)。他們想確保答案與實(shí)地育種者在制定決策，選擇植物和農(nóng)民。”馬丁說(shuō)。“找到幫助育種者真正大規(guī)模決策的好方法是非常令人興奮的。”

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場(chǎng)無(wú)關(guān)。財(cái)經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險(xiǎn)自擔(dān)。 如有侵權(quán)請(qǐng)聯(lián)系刪除！