Прогнозирование объема урожайности пшеницы на снимках с БПЛА методами компьютерного зрения

Описание проекта

Показатель количества колосьев является ключевым при оценке урожайности пшеницы. Так же данный показатель участвует при селекционной работе. Однако из-за ручного подсчета, в виду трудоемкости, ошибки неизбежны (погрешность измерения составляет примерно 10%). Учитывая фактор временного окна цикла роста пшеницы, из-за чего подсчет возможен только в течение небольшого периода зрелости, данная задача значительно усложняется, чтобы быть выполненной своевременно. До сих пор значительная часть наблюдений, имеющих решающее значение для принятия решений по селекции растений — это записанные вручную данные. Тем не менее в последние годы все более распространенными стали не-инвазивные методы, основанные на анализе цифровых изображений. За последние время большое количество исследований проведено в различных сферах сельского хозяйства в направлении повышения урожайности за счет применения цифровых технологий. Технологии искусственного интеллекта уже активно используются во многих отраслях химии, биологии, экономики, и в сельском хозяйстве. Компьютерное зрение, как одна из составляющих элементов искусственного интеллекта, уже доказало свою эффективность в таких широко распространенных направлениях как распознавание лиц и автомобильных номеров. В данной статье рассмотрим использование технологий компьютерного зрения для определения колосьев пшеницы на изображении. С появлением современных крупномасштабных устройств захвата изображений, такие как беспилотные летательные аппараты (БПЛА), спутники, и мобильных камер, появилась возможность значительно ускорить качественный и количественный анализ урожая. В работах исследуется обнаружение и подсчет банановых растений на основе глубокого обучения с использованием RGB изображений высокого разрешения, полученных с беспилотного летательного аппарата. Компьютерное зрение активно используется для диагностики болезней растений. Модели классификации заболеваний растений на основе глубокого обучения включают в себя использование различных сверточных нейронных сетей (AlexNet, VGGNet, ResNet и другие). Во многих работах размер набора данных был недостаточен и приходилось использовать методы аугментации и расширения набора данных.