Reis, eine wichtige Nahrungspflanze, wird weltweit auf fast 162 Millionen Hektar Land angebaut. Eine der am häufigsten verwendeten Methoden zur Quantifizierung der Reisproduktion ist die Reispflanzenzählung. Diese Technik wird verwendet, um den Ertrag zu schätzen, das Wachstum zu diagnostizieren und Verluste in Reisfeldern zu bewerten. Die meisten Prozesse zum Zählen von Reis werden weltweit immer noch manuell durchgeführt. Dies ist jedoch äußerst mühsam, mühsam und zeitaufwändig, was auf die Notwendigkeit schnellerer und effizienterer maschinenbasierter Lösungen hinweist.
Forscher aus China und Singapur haben kürzlich eine Methode entwickelt, um das manuelle Reiszählen durch eine viel ausgefeiltere Methode zu ersetzen, bei der unbemannte Luftfahrzeuge (UAVs) oder Drohnen zum Einsatz kommen.
Laut Professor Jianguo Yao von der Nanjing University of Posts and Telecommunications in China, der die Studie leitete, „verwendet die neue Technik UAVs, um RGB-Bilder – Bilder, die hauptsächlich aus rotem, grünem und blauem Licht bestehen – des Reisfeldes aufzunehmen. Diese Bilder werden dann mithilfe eines von uns entwickelten Deep-Learning-Netzwerks namens RiceNet verarbeitet, das die Dichte von Reispflanzen auf dem Feld genau identifizieren und semantische Merkmale auf höherer Ebene wie den Standort und die Größe der Ernte liefern kann.
Ihre Arbeit wurde veröffentlicht Pflanzenphänomik.
Die RiceNet-Netzwerkarchitektur besteht aus einem Merkmalsextrahierer am Frontend, der die Eingabebilder analysiert, und drei Merkmalsdecodermodulen, die für das Schätzen der Pflanzendichte im Reisfeld, des Standorts der Pflanzen im Reisfeld usw. verantwortlich sind die Größe der Pflanzen bzw. Die beiden letztgenannten Merkmale sind besonders wichtig für die zukünftige Forschung zu automatisierten Pflanzenmanagementtechniken wie dem Sprühen von Düngemitteln.
Als Teil der Studie setzte das Forschungsteam ein mit einer Kamera ausgestattetes UAV über Reisfeldern in der chinesischen Stadt Nanchang aus und analysierte anschließend die erfassten Daten mit einer ausgeklügelten Bildanalysetechnik. Als nächstes verwendeten die Forscher einen Trainingsdatensatz und einen Testdatensatz. Ersteres wurde als Referenz verwendet, um das System zu trainieren, und letzteres wurde verwendet, um die Analyseergebnisse zu validieren.
Genauer gesagt wurden aus den 355 Bildern mit 257.793 manuell markierten Punkten 246 zufällig ausgewählt und als Trainingsbilder verwendet, während die restlichen 109 als Testbilder verwendet wurden. Jedes Bild enthielt durchschnittlich 726 Reispflanzen.
Nach Angaben des Teams hat die für die Bildanalyse verwendete RiceNet-Technik ein gutes Signal-Rausch-Verhältnis. Mit anderen Worten, es ist in der Lage, Reispflanzen effizient vom Hintergrund zu unterscheiden, wodurch die Qualität der generierten Pflanzendichtekarten verbessert wird.
Die Ergebnisse der Studie zeigten, dass der mittlere absolute Fehler und der mittlere quadratische Fehler der RiceNet-Technik 8,6 bzw. 11,2 betrugen. Mit anderen Worten, die mit RiceNet erstellten Dichtekarten stimmten gut mit denen überein, die mit manuellen Methoden erstellt wurden.
Darüber hinaus gab das Team basierend auf seinen Beobachtungen auch einige wichtige Empfehlungen ab. Das Team empfiehlt beispielsweise nicht, an Regentagen Bilder aufzunehmen. Es schlägt auch vor, UAV-basierte Bilder innerhalb von 4 Stunden nach Sonnenaufgang zu sammeln, um die Nebelzeit sowie das Auftreten von Reisblattkräuseln zu minimieren, die beide die Ausgabequalität beeinträchtigen.
„Darüber hinaus haben wir die Leistungsfähigkeit unserer Technik anhand von zwei anderen beliebten Pflanzendatensätzen weiter validiert. Die Ergebnisse zeigten, dass unsere Methode andere hochmoderne Techniken deutlich übertrifft. Dies unterstreicht das Potenzial von RiceNet, die traditionelle Methode zu ersetzen der manuellen Reiszählung“, schließt Professor Yao.
RiceNet ebnet ferner den Weg zu anderen UAV- und Deep-Learning-basierten Analysetechniken für Nutzpflanzen, die wiederum Entscheidungen und Strategien zur Verbesserung der Produktion von Nahrungsmitteln und Nutzpflanzen weltweit leiten können.
Mehr Informationen:
Xiaodong Bai et al., Methode zur Zählung, Lokalisierung und Größenbestimmung von Reispflanzen basierend auf UAV-RGB-Bildern mit hohem Durchsatz, Pflanzenphänomik (2022). DOI: 10.34133/plantphenomics.0020