A kukorica az egyik globálisan meghatározó szereppel bíró haszonnövény, amely nagy víz- és tápanyagigényű, de ugyanígy kell a meleg, napfényes (de nem forró) időjárás is a nagy terméshozamhoz.

Az Észak-Karolinai Állami Egyetem és az Iowai Állami Egyetem kutatói bemutattak egy olyan automatizált technológiát, amely képes a kukoricanövények leveleinek szögét pontosan megmérni a szántóföldön. Ez a technológia a hagyományos technikáknál lényegesen hatékonyabbá teszi a levélszögekre vonatkozó adatgyűjtést, amelyhez a növénynemesítők gyorsabban jutnak hozzá.

kukorica

PhenoBot 3.0 – fotó: www.news.ncsu.edu

Automatizált felmérés

A kukoricanövény leveleinek a szárhoz viszonyított szöge azért fontos, mert a szárhoz viszonyított szög befolyásolja, hogy a növény mennyire hatékonyan végzi a fotoszintézist. Például a kukoricánál fönt viszonylag függőleges, a száron lejjebb viszont a vízszinteshez közelebb álló leveleket szeretnénk, így a növény több napfényt tud begyűjteni. A növénynemesítő kutatók figyelemmel kísérik az ilyen jellegű növényszerkezetet, mert ez alapján következtethetnek addigi munkájuk eredményeire.

A levélszögek mérésének hagyományos módszerei azonban a levelek kézzel és szögmérővel történő mérését foglalják magukban – ami idő- és munkaigényes. Ezért keresték és próbálták megtalálni a módját, hogyan lehetne automatizálni ezt a folyamatot, ami végül sikerült.


Az új technológia az AngleNet nevet kapta, és két kulcsfontosságú összetevőből áll: a hardverből és a szoftverből.

A hardver jelen esetben egy négykerekű robotplatform, amelyet manuálisan irányítanak, és elég keskeny ahhoz, hogy az egymástól 76 cm távolságra lévő sorok között navigáljon. Ez a gazdálkodók által használt szabványos szélesség (többek között). Maga az eszköz lelke négy sztereokamerából áll, amelyek mindegyike más-más magasságba van beállítva, hogy a környező növényeken lévő levelek különböző szintjét rögzítse. Ezáltal lehetővé válik a levelek sztereoszkopikus képének rögzítése és a növények 3D-s modellezése.

Ahogy a robot végighalad a sorokon, automatikusan több sztereoszkopikus képet rögzít több magasságban minden egyes növényről. Ezekkel a vizuális adatokkal egy program segítségével kiszámítja minden egyes növény különböző magasságban lévő leveleinek szögét.

A növénynemesítők számára nemcsak az a fontos, hogy mekkora a levélszög, hanem az is, hogy a levelek milyen magasan vannak a talaj felett. Ez biztosítja számukra a szükséges információkat ahhoz, hogy értékelni tudják a levélszögeloszlást az egyes növénysorok esetében, elősegítve azon genetikai vonalak azonosítását, amelyek kívánatos – vagy nem kívánatos – tulajdonságokkal rendelkeznek.

Az AngleNet pontosságának tesztelése érdekében a kutatók összehasonlították a robot által egy kukoricaföldön végzett levélszögméréseket a hagyományos technikával, kézzel végzett levélszögmérésekkel, és azt tapasztalták, hogy az AngleNet által mért szögek hibahatára 5 fokon belül volt a kézzel mért szögekhez képest, ami a növénynemesítés céljaira elfogadott hibahatáron belül van.

Már javában együttdolgoznak néhány növénytermesztéssel foglalkozó tudóssal, hogy felhasználják ezt a technológiát, és bíznak benne, hogy egyre több kutató is érdeklődni fog az új technológia iránt és annak eredményességével kapcsolatban. A fő cél: felgyorsítani a növénynemesítési kutatásokat, amelyek növelik a terméshozamot.

„A szántóföldi robotizált levélszögmérés és a kukoricanövények jellemzése sztereólátás és mély konvolúciós neurális hálózatok segítségével*" című tanulmány a Journal of Field Robotics című folyóiratban jelent meg nyílt hozzáférésű kiadványként. A cikk levelező szerzője Lie Tang, az Iowa State Agrár- és Biorendszermérnöki Karának professzora. A cikk társszerzője Jingyao Gai, az Iowa State és a Guanxi Egyetem munkatársa, Yin Bao, az Iowa State és az Auburn Egyetem munkatársa, valamint Jianming Yu és Patrick Schnable, az Iowa State Egyetem munkatársai.

A munka a Nemzeti Tudományos Alapítvány 1625364-es számú támogatásával, valamint az Iowa State-i Növénytudományi Intézet támogatásával készült.

*Képfeldolgozásban a neurális hálózat alkalmazásának célja megtalálni, mely pixelek és
mely jellegzetességek alapján lehet eldönteni egy diagnosztikai kérdést vagy kiszámolni a diagnosztikai paramétert.

Forrás: www.news.ncsu.edu