Menneskelige hjernebølger fanges af AI for at identificere syge planter

Nogle forskere fra Brazilian Agricultural Research Corporation – Embrapa, i samarbejde med to andre teknologi, skabt en måde, gennem kunstig intelligens, at analysere ændringer i planter med ekspertise.

Tidligere ville dette kun være muligt, hvis specialister udførte en manuel undersøgelse. Tjek flere oplysninger om den AI, der identificerer syge planter nedenfor.

Teknologiske fremskridt i landbruget

Teknologien gør det muligt at automatisere mærkning med annoteringer af klassificeringsdata og gennem identifikation af syge planter gennem billeder. Med denne nye teknologi håber forskerne at fremskynde de beslutninger, der træffes på området, for at reducere produktionstab og skabe store forbedringer i udnyttelsen af ​​naturressourcer.

De første resultater af eksperimentet

Tirsdag (07/02) blev resultaterne af forsøgets første test, udført med sojabønneblade, offentliggjort. Ifølge forskerne kunne denne teknologi anvendes til andre typer produktioner.

Dette syge planteidentifikationssystem kan også føjes til landbrugsmaskiner, droner og mobiltelefoner.

Al forberedelse til dette arbejde begyndte i 2022 og havde hjælp fra virksomhederne Macnica DHW, som er en del af den sydamerikanske drift af den japanske koncern Macnica Inc., og InnerEye, fra Israel.

Til eksperimentets test blev to sygdomme, der forårsager symptomer på sojabønneblade, valgt, såsom asiatisk rust og meldug, fremtrædende i det sydlige Brasilien. Med brugen af ​​udstyret var de i stand til at skelne syge blade fra sunde.

Asiatisk sojabønnerust er den mest alvorlige af afgrødens sygdomme og kan føre til op til 80 % tab, hvis den ikke kontrolleres. Omkostningerne ved at tage sig af denne sygdom overstiger 2 milliarder USD pr. afgrøde i Brasilien, ifølge en undersøgelse fra Antiferrugem Consortium.

Sådan fungerer eksperimentet:

• De neurale signaler fra to specialister fra Embrapa Soja blev fanget af en hjelm med elektroder;
• Begge vurderede omkring 1.500 billeder af syge og raske blade til testene;
• Gennem indfangning af hjernebølger blev de erfaringer, vurderinger og klassifikationer, de foretager af de billeder, som specialisterne observerede, identificeret;
• Modellerne genereret fra de spontane elektriske strømme, der udsendes i eksperternes hjerner og softwaren gjorde det muligt at træne algoritmen af standard kunstig intelligens for at bringe den stadig tættere på de kriterier, der anvendes af specialister i visuel identifikation af sygdomme i planter;
• Efter at have fanget de hjernesignaler, som specialister udsendte, når de så billeder af syge planter, automatiserede softwaren diagnosen, hvilket gjorde skridtet hurtigere og mere effektivt;
• De opnåede resultater ved at sammenligne algoritmerne efter træning viste, at de praktisk talt er på samme præcisionsniveau som eksperterne.