Forskare från Iowa State University arbetar mot en framtid där bönder kan använda obemannade flygplan för att upptäcka, och till och med förutsäga, sjukdomar och stress i sina grödor. Deras vision bygger på maskininlärning, en automatiserad process där teknik kan hjälpa jordbrukare att reagera på växtstress mer effektivt.

Arti Singh, en adjungerad biträdande professor i agronomi, leder ett tvärvetenskapligt forskarlag som nyligen fick en treårig, $499, 845 anslag från U.S. Department of Agricultures National Institute of Food and Agriculture för att utveckla maskininlärningsteknik som kan automatisera böndernas förmåga att diagnostisera en rad stora påfrestningar i sojabönor. Tekniken under utveckling skulle använda kameror kopplade till obemannade flygfarkoster, eller UAV, att samla fågelbilder av sojabönsfält. En datorapplikation skulle automatiskt analysera bilderna och varna bonden om problemställen.

"I sin mest grundläggande, maskininlärning är helt enkelt att träna en maskin att göra något vi gör, " sa Singh. "När du vill lära ett barn vad en bil är, du visar dem bilar. Det här är vad vi gör för att träna datoralgoritmer, visar ett stort antal bilder av olika sojabönspåkänningar för att identifiera, klassificera, kvantifiera och förutsäga spänningar i fältet."

Forskargruppen har satt ihop en enorm datauppsättning av sojabönorbilder, några friska och några genomgår stress och sjukdomar, som de sedan märkte. Ett datorprogram går igenom de märkta bilderna och sätter ihop algoritmer som kan känna igen stress i nya bilder. Singh sa att maskininlärningsprogrammet skulle kunna upptäcka ett brett utbud av vanliga sojabönstress, inklusive svamp, bakteriella och virussjukdomar, samt näringsbrist och herbicidskada.

Användningen av hyperspektral avbildning, eller kameror som fångar våglängdsområden utöver de som ses av det mänskliga ögat, kan tillåta tekniken att förutsäga förekomsten av stress innan symtom ens uppträder, ge bönderna mer tid att hantera problemet, Hon sa.

Singhs fascination för maskininlärning började 2014 när hon deltog i ett seminarium om ämnet som arrangerades av ISU Plant Sciences Institute. Hon trodde genast att tekniken lovade växtförädling och växtpatologi, men en undersökning av den akademiska litteraturen visade att huvuddelen av arbetet på området kom från ingenjörsdiscipliner, inte växtvetenskap. Hon insåg att mer samarbete skulle vara nödvändigt för att främja detta område inom jordbruket.

"Vi måste inkludera växtforskare också, sa hon. Annars, vi kommer att ha ingenjörer som arbetar med växtvetenskapliga problem. Samarbetet mellan discipliner är det som gör det möjligt."

Hon hjälpte till att sätta ihop ett tvärvetenskapligt team som skapade en app som låter smartphoneanvändare ta bilder på sojabönsväxter för att avgöra om plantorna lider av järnbrist. Nu, forskargruppen strävar efter att skala upp sitt arbete från den ursprungliga appen, som kräver manuellt tagna foton för att diagnostisera en enda stress, till algoritmer som kan ta bilder från UAV och identifiera en rad påfrestningar.

Teknikens framtid vilar på vetenskapsmäns och ingenjörers förmåga att samla in rätt sorts datauppsättning och sedan utveckla förmågan att analysera dessa data. Vid slutet av anslaget, Singh sa att teamet har för avsikt att ha slutfört ett ramverk med bästa praxis för datainsamling med hjälp av UAV. Det inkluderar att ta reda på optimal bildupplösning, samt optimala höjder och hastigheter för UAV:erna. Forskarna hoppas kunna integrera datainsamling sömlöst, kuration och analys som leder till att den appliceras på jordbruksfält för att upptäcka och mildra växtpåfrestningar i tid. Singh sa att teamet kommer att göra alla sina resultat offentligt tillgängliga vid slutet av projektet.

Tillvägagångssättet har potential att användas i många andra grödor också, sa Singh.