Vlny lidského mozku zachycuje AI, aby identifikovala nemocné rostliny

Někteří učenci z Brazilian Agricultural Research Corporation – Embrapa, ve spolupráci s dalšími dvěma technika, vytvořila způsob, jak pomocí umělé inteligence analyzovat změny v rostlinách na výbornou.

V minulosti by to bylo možné pouze v případě, že by specialisté prováděli manuální vyšetření. Více informací o AI, která identifikuje nemocné rostliny, najdete níže.

Technologický pokrok v zemědělství

Tato technologie umožňuje automatizovat označování pomocí anotací klasifikačních dat a prostřednictvím identifikace nemocných rostlin pomocí obrázků. S touto novou technologií vědci doufají, že urychlí rozhodnutí přijatá v této oblasti, aby se snížily výrobní ztráty a přineslo velké zlepšení ve využívání přírodních zdrojů.

První výsledky experimentu

V úterý (07/02) byly zveřejněny výsledky prvního testu experimentu provedeného s listy sóji. Podle vědců by tato technologie mohla být aplikována i na jiné typy výrob.

Tento systém identifikace nemocných rostlin lze také přidat do zemědělských strojů, drony a mobilní telefony.

Veškeré přípravy na tyto práce začaly v roce 2022 a pomáhaly jim společnosti Macnica DHW, která je součástí jihoamerického provozu japonské skupiny Macnica Inc., a InnerEye z Izraele.

Pro testy experimentu byly vybrány dvě choroby, které způsobují příznaky na listech sóji, jako je asijská rez a padlí, prominentní v jižní Brazílii. Pomocí zařízení dokázali odlišit nemocné listy od zdravých.

Rez asijská sojová je nejzávažnější z chorob plodiny a může vést až k 80% ztrátám, pokud není kontrolována. Náklady na péči o tuto chorobu přesahují 2 miliardy USD na plodinu v Brazílii, podle průzkumu konsorcia Antiferrugem.

Jak experiment funguje:

• Nervové signály dvou specialistů z Embrapa Soja zachytila ​​helma s elektrodami;
• Oba vyhodnotili kolem 1500 snímků nemocných a zdravých listů pro testy;
• Prostřednictvím zachycení mozkových vln byly identifikovány zkušenosti, úsudky a klasifikace, které dělají ze snímků pozorovaných specialisty;
• Modely generované ze spontánních elektrických proudů emitovaných v mozcích odborníků a software umožnily trénovat algoritmus standardní umělá inteligence, aby se ještě více přiblížila kritériím používaným specialisty na vizuální identifikaci nemocí rostliny;
• Po zachycení mozkových signálů, které specialisté vysílali při prohlížení snímků nemocných rostlin, software zautomatizoval diagnostiku, čímž byl krok rychlejší a efektivnější;
• Výsledky získané porovnáním post-tréninkových algoritmů ukázaly, že jsou prakticky na stejné úrovni přesnosti jako experti.