En datamängd med storskaliga flygbilder producerade av Intelinair, en spinout från University of Illinois i Urbana-Champaign, syftar till att ge bönderna inblick i villkoren på deras åkrar. Datauppsättningen, kallad Agriculture-Vision, kommer att möjliggöra jordbruksmönsteranalys av flygbilder, ge jordbrukare handlingsbar insikt i deras grödors prestanda för att förbättra beslutsfattandet och maximera avkastningen.

Tills nu, det har varit brist på högkvalitativa bilddataset för jordbruket, delvis på grund av den stora bildstorlek som krävs för att fånga många tunnland mark, liksom svårigheten att känna igen mönster som inte förekommer konsekvent över stora områden. Forskare från UIUC och University of Oregon arbetade med Intelinair för att utveckla nya datorsynstekniker som löser komplexa mönsterigenkänningsproblem genom djupa inlärningsmetoder.

"Nästa generations jordbruk måste vara datadriven, "sa CSL:s Naira Hovakimyan, W. Grafton och Lillian B. Wilkins professor i mekanisk vetenskap och teknik vid Illinois och medgrundare och chefsvetare för Intelinair. "Genom att automatisera processen med frekvent högupplöst datainsamling och använda data i prediktiv modellering genom djupinlärningsalgoritmer, vi går vidare till det stadium där förhållandena på alla gårdar kan förutsägas på samma sätt som väderprognoser, till exempel. Det är bara ett klick bort. "

Inte sedan mitten av 1900-talet, när forskare lärde sig hur man kan öka avkastningen genom att manipulera grödor genom och den omfattande användningen av bekämpningsmedel introducerades, har en ny teknik visat så mycket lovande. AI används redan för att automatisera jordbruksprocesser och samla in data om fältförhållanden. Dock, ag-relaterat visuellt mönsterigenkänning har utvecklats långsamt, delvis på grund av bristen på storskaliga och högkvalitativa datamängder.

Hovakimyan säger att analys av jordbruksmönster utgör en unik utmaning eftersom det kräver erkännande av mönster som inte förekommer konsekvent och är svåra att skilja - såsom ogräs eller vattenvägar - över stora områden. Till exempel, att skilja på en hund och en katt är inte lika komplicerat som att skilja vete från rajgräs - ett ogräs vars färg och form liknar vete, och det ser i stort sett likadant ut ur luften.

Professor Thomas Huang, Maybelle Leland Swanlund begåvad ordförande emeritus i el- och datateknik, och Humphrey Shi, en alun från Illinois i el- och datateknik som nu är vid University of Oregon, i nära samarbete med Hovakimyan, ledde ett team av ECE -studentforskare att kurera datauppsättningen och föreslog nya lösningar inom semantisk segmentering, vilket är processen att klustera delar av en bild tillsammans (pixel för pixel) till samma objektklass. För jordbruk-vision, agronomer bestämde klasserna och kommenterade bilderna.

Databladet från Agriculture-Vision godkändes av IEEE/CVF-konferensen om datorsyn och mönsterigenkänning (CVPR), den högst rankade konferensen bland alla publikationsplatser inom datavetenskap och teknik enligt Google Scholar Metrics. Teamet organiserar också en första Agriculture-Vision-workshop på CVPR i Seattle i juni 2020. Det har väckt en uppsjö av uppmärksamhet från både jordbruk och datorsyn.

Den nuvarande datasetet Agriculture-Vision innehåller nära hundratusen bilder från tusentals majs- och sojabönefält i flera stater i Mellanvästern. Den innehåller anteckningar för förhållanden som näringsbrist, uttorkning, ogräskluster, och mer. Så småningom, forskarna planerar att utöka datasetet till att omfatta olika metoder, som jord, topografiska kartor, och termiska bilder. De säger att bilder tagna säsong efter säsong, år efter år, kan möjliggöra skapande av djupinlärningsmodeller som hjälper jordbrukare att planera inte bara för nästa säsong, men också för den långsiktiga hållbara hälsan i deras jord.

Agriculture-Visions förmågor kompletterar Intelinairs erbjudanden, som ger gröda intelligens via sin AGMRI -lösning för odlare, agronomer, ag -återförsäljare, och andra aktörer i ag -ekosystemet. Företagspartners inkluderar Deere &Co., en Fortune 100 ag -tillverkare som använder Intelinairs produkter i sin Operations Center -produkt, och Climate Corporation, som har integrerat Intelinairs produkter i sin FieldView -tjänst.

"Vi är glada att leda forskningsfronten för analys av jordbruksmönster genom att skapa denna dataset, men det finns så mycket mer vi utforskar, genom att införliva exakta etiketter och kommentarer, gårdens historia, markförhållanden, och gröddynamik och integrera dessa i djupa inlärningsmodeller för nästa generations jordbruksintelligens, "Hovakimyan sa." Vi är bara i början av vad vi kan göra. "