Cilvēka smadzeņu viļņus uztver AI, lai identificētu slimos augus

Daži Brazīlijas Lauksaimniecības pētījumu korporācijas Embrapa zinātnieki sadarbībā ar diviem citiem tehnoloģija, radīja veidu, kā ar mākslīgā intelekta palīdzību izcili analizēt augu izmaiņas.

Agrāk tas bija iespējams tikai tad, ja speciālisti veica manuālu eksāmenu. Plašāku informāciju par AI, kas identificē slimos augus, skatiet tālāk.

Tehnoloģiskie sasniegumi lauksaimniecībā

Šī tehnoloģija ļauj automatizēt marķēšanu ar klasifikācijas datu anotācijām un slimo augu identificēšanu, izmantojot attēlus. Ar šo jauno tehnoloģiju pētnieki cer paātrināt šajā jomā pieņemto lēmumu pieņemšanu, lai samazinātu ražošanas zudumus un panāktu lielus uzlabojumus dabas resursu izmantošanā.

Pirmie eksperimenta rezultāti

Otrdien (02.07.) tika publiskoti eksperimenta pirmā testa rezultāti, kas tika veikti ar sojas pupu lapām. Pēc pētnieku domām, šo tehnoloģiju varētu izmantot cita veida ražošanā.

Šo slimo augu identifikācijas sistēmu var pievienot arī lauksaimniecības tehnikai, droni un mobilie tālruņi.

Visa gatavošanās šim darbam sākās 2022. gadā, un tajā palīdzēja Japānas koncerna Macnica Inc. Dienvidamerikas darbības daļa Macnica DHW un Izraēlas InnerEye.

Eksperimenta pārbaudēm tika izvēlētas divas slimības, kas izraisa simptomus uz sojas pupu lapām, piemēram, Āzijas rūsa un miltrasa, kas ir ievērojama Brazīlijas dienvidos. Izmantojot aprīkojumu, viņi varēja atšķirt slimās lapas no veselajām.

Āzijas sojas rūsa ir visnopietnākā no kultūraugu slimībām, un, ja tā netiek kontrolēta, tā var izraisīt līdz pat 80% zaudējumu. Saskaņā ar Antiferrugem konsorcija veikto aptauju šīs slimības aprūpes izmaksas Brazīlijā pārsniedz 2 miljardus ASV dolāru par vienu ražu.

Kā darbojas eksperiments:

• Divu Embrapa Sojas speciālistu neironu signālus tvēra ķivere ar elektrodiem;
• Abi testiem novērtēja aptuveni 1500 slimu un veselīgu lapu attēlu;
• Izmantojot smadzeņu viļņu uztveršanu, tika identificēta pieredze, spriedumi un klasifikācijas, ko viņi izdara par speciālistu novērotajiem attēliem;
• Modeļi, kas ģenerēti no ekspertu smadzenēs izstarotajām spontānām elektriskām strāvām, un programmatūra ļāva apmācīt algoritmu standarta mākslīgais intelekts, lai to arvien vairāk tuvinātu kritērijiem, ko izmanto speciālisti slimību vizuālajā identificēšanā augi;
• Pēc smadzeņu signālu uztveršanas, ko speciālisti izstaro, skatoties slimu augu attēlus, programmatūra automatizēja diagnozi, padarot soli ātrāku un efektīvāku;
• Rezultāti, kas iegūti, salīdzinot pēcapmācības algoritmus, liecināja, ka tie ir praktiski tādā pašā precizitātes līmenī kā eksperti.