Wetenschappers van de Iowa State University werken aan een toekomst waarin boeren onbemande vliegtuigen kunnen gebruiken om, en zelfs voorspellen, ziekte en stress in hun gewassen. Hun visie is gebaseerd op machine learning, een geautomatiseerd proces waarbij technologie boeren kan helpen efficiënter te reageren op plantstress.

Arti Singh, adjunct-assistent-professor agronomie, leidt een multidisciplinair onderzoeksteam dat onlangs een driejarige, $ 499, 845-subsidie ​​van het National Institute of Food and Agriculture van het Amerikaanse ministerie van landbouw om machine learning-technologie te ontwikkelen die het vermogen van boeren zou kunnen automatiseren om een ​​reeks belangrijke spanningen in sojabonen te diagnosticeren. De technologie die in ontwikkeling is, zou gebruik maken van camera's die zijn bevestigd aan onbemande luchtvaartuigen, of UAV's, om vogelvluchtbeelden van sojabonenvelden te verzamelen. Een computertoepassing zou de beelden automatisch analyseren en de boer waarschuwen voor knelpunten.

"Op zijn meest elementaire machine learning is simpelweg een machine trainen om iets te doen wat we doen, Singh zei. "Als je een kind wilt leren wat een auto is, je laat ze auto's zien. Dit is wat we doen om computeralgoritmen te trainen, het tonen van een groot aantal afbeeldingen van verschillende sojabonenspanningen om te identificeren, classificeren, kwantificeer en voorspel spanningen in het veld."

Het onderzoeksteam heeft een enorme dataset van sojaboonbeelden verzameld, sommigen gezond en sommigen ondergaan stress en ziekte, die ze vervolgens labelden. Een computerprogramma doorloopt de gelabelde afbeeldingen en assembleert algoritmen die stress in nieuwe afbeeldingen kunnen herkennen. Singh zei dat het machine learning-programma in staat zou kunnen zijn om een ​​breed scala aan veelvoorkomende soja-stress te detecteren, inclusief schimmel, bacteriële en virale ziekten, evenals nutriëntentekort en herbicideschade.

Het gebruik van hyperspectrale beeldvorming, of camera's die golflengtebereiken vastleggen die verder gaan dan het menselijk oog, zou de technologie in staat kunnen stellen om de aanwezigheid van stress te voorspellen voordat de symptomen zelfs verschijnen, boeren extra tijd geven om het probleem aan te pakken, ze zei.

Singhs fascinatie voor machine learning begon in 2014 toen ze een seminar over dit onderwerp bijwoonde dat werd georganiseerd door het ISU Plant Sciences Institute. Ze dacht meteen dat de technologie veelbelovend was voor plantenveredeling en plantenpathologie, maar een overzicht van de academische literatuur toonde aan dat het grootste deel van het werk in het veld afkomstig was van technische disciplines, geen plantenwetenschappen. Ze realiseerde zich dat er meer samenwerking nodig zou zijn om dit veld in de landbouw vooruit te helpen.

"We moeten ook plantenwetenschappers erbij betrekken, "zei ze. "Anders, we zullen ingenieurs hebben die aan plantwetenschappelijke problemen werken. De samenwerking tussen disciplines maakt het mogelijk."

Ze hielp bij het samenstellen van een interdisciplinair team dat een app heeft gemaakt waarmee smartphonegebruikers foto's kunnen maken van sojabonenplanten om te bepalen of de planten aan ijzertekort lijden. Nutsvoorzieningen, het onderzoeksteam wil hun werk opschalen vanuit de originele app, waarvoor handmatig geschoten foto's nodig zijn om een ​​enkele stress te diagnosticeren, tot algoritmen die beelden van UAV's kunnen nemen en een reeks spanningen kunnen identificeren.

De toekomst van de technologie berust op het vermogen van wetenschappers en ingenieurs om de juiste soort dataset te verzamelen en vervolgens het vermogen te ontwikkelen om die data te analyseren. Tegen het einde van de subsidie, Singh zei dat het team van plan is een raamwerk van best practices voor gegevensverzameling met behulp van UAV's te hebben voltooid. Dat omvat het uitzoeken van optimale beeldresoluties, evenals optimale hoogten en snelheden voor de UAV's. De onderzoekers hopen dataverzameling naadloos te integreren, curatie en analyse leidend tot de toepassing ervan in landbouwvelden om plantstress tijdig te detecteren en te verminderen. Singh zei dat het team al hun bevindingen aan het einde van het project openbaar zal maken.

De aanpak heeft het potentieel voor toepassing in veel andere gewassen, zei Singh.