文章概要:

1. 建立包含2萬(wàn)多張稻田圖像和產(chǎn)量數(shù)據(jù)的數(shù)據(jù)庫(kù)，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型。

2. 模型可以解釋68-69%的產(chǎn)量變異，突出了穗在產(chǎn)量估計(jì)中的重要性。

3. 模型預(yù)測(cè)準(zhǔn)確，成本低且不需要繁瑣的作物采樣，展示了區(qū)域監(jiān)測(cè)產(chǎn)量的潛力。

微新創(chuàng)想（idea2003.com）8月25日 消息:最近，日本岡山大學(xué)的研究人員利用收割期拍攝的地面數(shù)字圖像，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對(duì)水稻產(chǎn)量的估算。

他們首先收集了7個(gè)國(guó)家20個(gè)地點(diǎn)的水稻冠層圖像和粗粒產(chǎn)量數(shù)據(jù)，創(chuàng)建了一個(gè)包含4820組產(chǎn)量數(shù)據(jù)和22067張圖像的數(shù)據(jù)庫(kù)。

接著，研究人員開(kāi)發(fā)了一個(gè) CNN 模型（卷積神經(jīng)網(wǎng)絡(luò) ）來(lái)估計(jì)每張收集到的圖像的谷物產(chǎn)量，以估計(jì)數(shù)據(jù)庫(kù)中每張圖像對(duì)應(yīng)的粒產(chǎn)量。通過(guò)視覺(jué)遮擋法，他們分析了稻冠圖像不同區(qū)域的加性效應(yīng)，理解模型如何解釋圖像特征并影響結(jié)果精度。

該模型表現(xiàn)良好，可以解釋驗(yàn)證和測(cè)試數(shù)據(jù)集中約68-69%的產(chǎn)量變化。模型可以在成熟期準(zhǔn)確預(yù)測(cè)產(chǎn)量，識(shí)別成熟穗，并檢測(cè)產(chǎn)量中的品種和水管理差異。

盡管圖像分辨率降低會(huì)減弱準(zhǔn)確性，但該模型整體較為穩(wěn)健，在不同拍攝角度和時(shí)間也展現(xiàn)了良好精度。

研究認(rèn)為，這種基于 CNN 的模型具有監(jiān)測(cè)區(qū)域尺度稻米生產(chǎn)力的潛力。該AI方法提供了簡(jiǎn)單的智能手機(jī)應(yīng)用程序，大大提高了技術(shù)的可訪問(wèn)性和實(shí)際應(yīng)用性。該研究有助于改進(jìn)稻田管理和加速育種計(jì)劃，為全球糧食生產(chǎn)和可持續(xù)性發(fā)展做出積極貢獻(xiàn)。

應(yīng)用該模型的應(yīng)用程序“HOJO”已經(jīng)在 iOS 和 Android 上可用。研究人員希望他們的工作能夠更好地管理稻田并協(xié)助加速育種計(jì)劃，為全球糧食生產(chǎn)和可持續(xù)發(fā)展舉措做出積極貢獻(xiàn)。