Menneskelige hjernebølger fanges opp av AI for å identifisere syke planter

Noen forskere fra Brazilian Agricultural Research Corporation – Embrapa, i samarbeid med to andre teknologi, skapte en måte, gjennom kunstig intelligens, å analysere endringer i planter med fortreffelighet.

Tidligere ville dette bare vært mulig hvis spesialister utførte en manuell undersøkelse. Sjekk ut mer informasjon om AI som identifiserer syke planter nedenfor.

Teknologiske fremskritt i landbruket

Teknologien gjør det mulig å automatisere merking med merknader av klassifiseringsdata og gjennom identifikasjon av syke planter gjennom bilder. Med denne nye teknologien håper forskerne å få fart på beslutningene som tas på feltet, for å redusere produksjonstap og få til store forbedringer i bruken av naturressurser.

De første resultatene av eksperimentet

Tirsdag (07/02) ble resultatene av den første testen av eksperimentet, utført med soyablader, offentliggjort. Ifølge forskerne kan denne teknologien brukes på andre typer produksjoner.

Dette syke planteidentifikasjonssystemet kan også legges til landbruksmaskiner, droner og mobiltelefoner.

Alle forberedelsene til dette arbeidet startet i 2022 og hadde hjelp fra selskapene Macnica DHW, som er en del av den søramerikanske driften til det japanske konsernet Macnica Inc., og InnerEye, fra Israel.

For testene av eksperimentet ble to sykdommer som forårsaker symptomer på soyablader valgt, som asiatisk rust og pulveraktig mugg, fremtredende i Sør-Brasil. Ved bruk av utstyret klarte de å skille syke blader fra friske.

Asiatisk soyabønnerust er den alvorligste av avlingens sykdommer, og kan føre til opptil 80 % tap hvis den ikke kontrolleres. Kostnadene ved å ta vare på denne sykdommen overstiger 2 milliarder USD per avling i Brasil, ifølge en undersøkelse fra Antiferrugem Consortium.

Slik fungerer eksperimentet:

• De nevrale signalene til to spesialister fra Embrapa Soja ble fanget opp av en hjelm med elektroder;
• Begge evaluerte rundt 1500 bilder av syke og friske blader for testene;
• Gjennom fangst av hjernebølger ble erfaringene, vurderingene og klassifiseringene de gjør av bildene som ble observert av spesialistene identifisert;
• Modellene generert fra de spontane elektriske strømmene som sendes ut i ekspertenes hjerner og programvaren gjorde det mulig å trene opp algoritmen til standard kunstig intelligens for å bringe den stadig nærmere kriteriene som brukes av spesialister innen visuell identifisering av sykdommer i planter;
• Etter å ha fanget hjernesignalene som spesialister sendte ut når de så på bilder av syke planter, automatiserte programvaren diagnosen, noe som gjorde trinnet raskere og mer effektivt;
• Resultatene som ble oppnådd ved å sammenligne algoritmene etter trening indikerte at de praktisk talt er på samme presisjonsnivå som ekspertene.