A kukoricatermesztés eredményessége – az időjáráson és például az idei nagy aszályon kívül – nagymértékben függ a talaj tápanyagtartalmától és a megfelelő trágyázási kezeléstől. Azonban a tápanyaghiányok sok esetben vizuálisan nehezen észlelhetők, különösen a termesztés korai szakaszában. Egy új tanulmány alapján azonban már digitális képfeldolgozással és algoritmusok segítségével is pontosan azonosíthatók a kukorica levélzetében jelentkező termékenységi hiányosságok – még időben beavatkozást lehetővé téve a gazdálkodók számára.



Tápanyaghiány és azonosítási nehézségek

Etiópiában, akárcsak számos más fejlődő országban, a hagyományos mezőgazdasági rendszerek komoly kihívásokkal néznek szembe. A kukorica – amely a lakosság alapvető tápláléka és takarmánynövény is egyben – sokszor szenved a talaj nitrogén-, foszfor-, kálium- vagy mikroelem-hiányától. Mindezek együttesen akár drasztikus hozamcsökkenéshez vezethetnek.

A probléma egyik fő nehézsége, hogy

a tápanyaghiány gyakran csak későn, vizuális tünetek alapján válik észlelhetővé, amikor már a kár visszafordíthatatlan.

A hagyományos, szemrevételezésen alapuló diagnosztika nem mindig megbízható és nem időhatékony – itt lép be a képbe a mesterséges intelligencia.


kukorica

Fotó: Pixabay


Képfeldolgozás és algoritmus

A kutatás célja egy olyan mesterséges intelligencián alapuló rendszer kifejlesztése volt, amely képes automatizáltan felismerni és osztályozni a kukoricalevek termékenységi hiányait. A rendszer digitális levélképeket használ, amelyeket előzetesen képfeldolgozási technikákkal (pl. Gauss-szűrés, Canny-éldetektálás) javítanak, majd algoritmusok segítségével osztályoznak.

A kutatásban két ismert konvolúciós neurális hálózat (CNN) architektúrát, a VGG16-ot és a VGG19-et alkalmazták. Az adatok a kelet-etiópiai Hulet Ejju Enessie Woreda térségből származnak, ahol összesen 4000 kukoricalevél-képet gyűjtöttek be (normál és hiányos levelekről), majd adatkiegészítéssel 16 000-re bővítették az adatállományt.



Előfeldolgozás, jellemzőkinyerés, osztályozás

A rendszer első lépésként egységes méretre (224×224 pixel) méretezi át a képeket, majd különböző előfeldolgozási technikákon esnek át a felvételek. 

A cél az, hogy a lehető legtisztább, leginkább informatív jellemzőket kapják meg az algoritmusok, amelyek alapján képesek osztályozni a levél egészségi állapotát.

Az algoritmusok nyolc különböző kategóriába sorolják a leveleket, például nitrogénhiány, foszforhiány, káliumhiány stb. A SoftMax osztályozó segítségével a modell meghatározza, melyik kategóriába esik az adott levél.



Tesztelés és eredmények

A különböző hiperparaméterek tesztelésével – mint például képméret, tanulási ráta, kötegméret – a kutatók meghatározták az optimális beállításokat. Ezek a következők voltak: 224 × 224 képméret, 60 epoch, 32-es kötegméret, 0,001-es tanulási ráta és 80/20-as adatmegosztási arány a tanuló és tesztadatok között.

A VGG16 modell 99%-os betanítási és 95%-os tesztelési pontosságot ért el, míg a VGG19 ennél alacsonyabb, 92%-os pontosságot mutatott. A kutatók megállapították, hogy a VGG16 alacsonyabb komplexitása jobban illeszkedik kisebb adatkészletekhez, így hatékonyabban általánosítható.

Miért hasznos ez a gazdálkodók számára?

Ez a technológia forradalmasíthatja a kukoricatermesztés gyakorlatát. A képfeldolgozáson alapuló diagnosztikai rendszer használatával a gazdák korán felismerhetik a tápanyaghiányos tüneteket, és célzottan, időben beavatkozhatnak a megfelelő trágyázással. Ez nemcsak a terméshozamot növelheti, hanem csökkenti a felesleges inputanyag-felhasználást is – gazdaságosabbá és fenntarthatóbbá téve a termesztést.



Jövőbeli kilátások

A kutatás megalapozza a technológia továbbfejlesztését és mobilalkalmazás formájában való gyakorlati bevezetését. Ez lehetővé tenné, hogy 

gazdák saját telefonjuk segítségével, egy egyszerű fotóval diagnosztizálhassák növényeik állapotát.

Továbbá más növénykultúrákra is kiterjeszthető a módszer, például búzára, szójára vagy napraforgóra.

A modellek alkalmazása a precíziós gazdálkodásban immár nemcsak elméleti lehetőség, hanem gyakorlati eszköz is lehet a hozamok növelésére és a fenntartható mezőgazdasági gyakorlatok erősítésére.

Forrás: nature.com

Indexkép: Pixabay