Människans hjärnvågor fångas upp av AI för att identifiera sjuka växter

Några forskare från Brazilian Agricultural Research Corporation – Embrapa, i samarbete med två andra teknologi, skapade ett sätt, genom artificiell intelligens, att analysera förändringar i växter med excellens.

Tidigare skulle detta bara vara möjligt om specialister utförde en manuell undersökning. Kolla in mer information om AI som identifierar sjuka växter nedan.

Tekniska framsteg inom jordbruket

Tekniken gör det möjligt att automatisera märkning med anteckningar av klassificeringsdata och genom identifiering av sjuka växter genom bilder. Med denna nya teknik hoppas forskarna kunna påskynda de beslut som tas på fältet, för att minska produktionsförlusterna och åstadkomma stora förbättringar av användningen av naturresurser.

De första resultaten av experimentet

På tisdagen (02/07) släpptes resultaten från det första testet av experimentet, utfört med sojabönsblad. Enligt forskarna skulle denna teknik kunna tillämpas på andra typer av produktioner.

Detta system för identifiering av sjuka växter kan också läggas till jordbruksmaskiner, drönare och mobiltelefoner.

All förberedelse för detta arbete började 2022 och hade hjälp av företagen Macnica DHW, som ingår i den japanska koncernen Macnica Inc.s sydamerikanska verksamhet, och InnerEye, från Israel.

För testerna av experimentet valdes två sjukdomar som orsakar symtom på sojabönsblad, såsom asiatisk rost och mjöldagg, framträdande i södra Brasilien. Med hjälp av utrustningen kunde de skilja sjuka löv från friska.

Asiatisk sojabönorest är den allvarligaste av grödans sjukdomar och kan leda till upp till 80 % förluster om den inte kontrolleras. Kostnaderna för att ta hand om denna sjukdom överstiger 2 miljarder USD per gröda i Brasilien, enligt en undersökning från Antiferrugem Consortium.

Så här fungerar experimentet:

• De neurala signalerna från två specialister från Embrapa Soja fångades upp av en hjälm med elektroder;
• Båda utvärderade omkring 1 500 bilder av sjuka och friska löv för testerna;
• Genom att fånga hjärnvågor identifierades de erfarenheter, bedömningar och klassificeringar de gör av bilderna som observerats av specialisterna;
• Modellerna som genererades från de spontana elektriska strömmar som sänds ut i experternas hjärnor och programvaran gjorde det möjligt att träna algoritmen för standard artificiell intelligens för att föra den allt närmare kriterierna som används av specialister inom visuell identifiering av sjukdomar i växter;
• Efter att ha fångat hjärnsignalerna som specialister avgav när de tittade på bilder av sjuka växter, automatiserade programvaran diagnosen, vilket gjorde steget snabbare och mer effektivt;
• Resultaten som erhölls genom att jämföra efterträningsalgoritmerna visade att de har praktiskt taget samma precisionsnivå som experterna.