De hedendaagse gewasveredelaars proberen de opbrengst te verhogen en tegelijkertijd gewassen voor te bereiden om bestand te zijn tegen zwaar weer en veranderende klimaten. Slagen, ze moeten genen voor hoge opbrengst lokaliseren, winterharde eigenschappen in het DNA van gewassen. Een robot die is ontwikkeld door de Universiteit van Illinois om deze spreekwoordelijke naalden in de hooiberg te vinden, werd erkend door de beste systeempapierprijs op Robotics:Science and Systems, de meest vooraanstaande roboticaconferentie die vorige week in Pittsburgh werd gehouden.

"Er is een echte behoefte om de fokkerij te versnellen om aan de wereldwijde vraag naar voedsel te voldoen, " zei hoofdonderzoeker Girish Chowdhary, een assistent-professor veldrobotica bij het Department of Agricultural and Biological Engineering en het Coordinated Science Lab in Illinois. "In Afrika, zal de bevolking tegen 2050 meer dan verdubbelen, maar vandaag zijn de opbrengsten slechts een kwart van hun potentieel."

Gewasveredelaars voeren enorme experimenten uit waarbij ze duizenden verschillende cultivars vergelijken, of variëteiten, van gewassen over honderden hectares en meet belangrijke eigenschappen, zoals opkomst of hoogte van de plant, met de hand. De taak is duur, tijdrovend, onnauwkeurig, en uiteindelijk ontoereikend:een team kan slechts een fractie van de planten in een veld handmatig meten.

"Het gebrek aan automatisering voor het meten van planteigenschappen is een bottleneck om vooruitgang te boeken, " zei eerste auteur Erkan Kayacan, nu een postdoctoraal onderzoeker aan het Massachusetts Institute of Technology. "Maar het is moeilijk om robotsystemen te maken die autonoom planten kunnen tellen:de velden zijn enorm, de gegevens kunnen ruis bevatten (in tegenstelling tot benchmarkgegevenssets), en de robot moet binnen de krappe rijen blijven in de uitdagende omgeving onder de luifel."

Illinois' 13-inch breed, De TerraSentia-robot van 24 pond is verplaatsbaar, compact en autonoom. Het legt elke plant van boven naar beneden vast met behulp van een reeks sensoren (camera's), algoritmen, en diep leren. Met behulp van een transferleermethode, leerden de onderzoekers TerraSentia om maïsplanten te tellen met slechts 300 afbeeldingen, zoals gemeld op deze conferentie.

"Een uitdaging is dat planten niet op gelijke afstand van elkaar staan, dus alleen aannemen dat een enkele plant in het cameraframe staat, is niet goed genoeg, " zei co-auteur ZhongZhong Zhang, een afgestudeerde student aan het College of Agricultural Consumer and Environmental Science (ACES). "We hebben een methode ontwikkeld die de camerabeweging gebruikt om zich aan te passen aan variërende afstanden tussen planten, wat heeft geleid tot een redelijk robuust systeem voor het tellen van planten in verschillende velden, met verschillende en variërende afstanden, en met verschillende snelheden."