Een dataset van grootschalige luchtfoto's geproduceerd door Intelinair, een spin-out van de Universiteit van Illinois in Urbana-Champaign, heeft tot doel boeren inzicht te geven in de omstandigheden van hun velden. de gegevensset, genaamd Landbouw-Vision, zal landbouwpatroonanalyse van luchtbeelden mogelijk maken, boeren voorzien van bruikbare inzichten in de prestaties van hun gewassen om de besluitvorming te verbeteren en de opbrengsten te maximaliseren.

Tot nu, er is een gebrek aan hoogwaardige landbouwbeelddatasets, deels vanwege het grote beeldformaat dat nodig is om vele hectaren land vast te leggen, evenals de moeilijkheid om patronen te herkennen die niet consistent voorkomen in grote gebieden. Onderzoekers van UIUC en de Universiteit van Oregon werkten samen met Intelinair om nieuwe computervisietechnieken te ontwikkelen die complexe patroonherkenningsproblemen oplossen door middel van diepgaande leermethoden.

"Next-gen farming moet datagedreven zijn, " zei Naira Hovakimyan van CSL, de W. Grafton en Lillian B. Wilkins hoogleraar mechanische wetenschappen en techniek in Illinois en medeoprichter en hoofdwetenschapper van Intelinair. "Door het proces van frequente gegevensverzameling met hoge resolutie te automatiseren en de gegevens te gebruiken in voorspellende modellering door middel van deep learning-algoritmen, we gaan naar het stadium waarin de omstandigheden op elke boerderij op dezelfde manier kunnen worden voorspeld als weersvoorspellingen, bijvoorbeeld. Het is slechts één klik verwijderd."

Niet sinds het midden van de 20e eeuw, toen wetenschappers leerden hoe ze de opbrengst konden verhogen door het genoom van gewassen te manipuleren en het brede gebruik van pesticiden werd geïntroduceerd, heeft een nieuwe technologie die zo veelbelovend is. AI wordt al gebruikt om landbouwprocessen te automatiseren en gegevens over veldomstandigheden te verzamelen. Echter, ag-gerelateerde visuele patroonherkenning is langzaam gevorderd, mede door een gebrek aan grootschalige en kwalitatief hoogwaardige datasets.

Hovakimyan zegt dat analyse van landbouwpatronen een unieke uitdaging vormt omdat het de herkenning vereist van patronen die niet consistent voorkomen en moeilijk te onderscheiden zijn - zoals onkruid of waterwegen - in grote gebieden. Bijvoorbeeld, het verschil tussen een hond en een kat onderscheiden is niet zo ingewikkeld als het onderscheiden van tarwe van raaigras - een onkruid waarvan de kleur en vorm vergelijkbaar zijn met die van tarwe, en dat ziet er vanuit de lucht grotendeels hetzelfde uit.

Professor Thomas Huang, de Maybelle Leland Swanlund bijzonder leerstoel emeritus in elektrische en computertechniek, en Humphrey Shi, een Illinois-alumnus in elektrische en computertechniek die nu aan de Universiteit van Oregon werkt, in nauwe samenwerking met Hovakimyan, leidde een team van ECE-studentonderzoekers om de dataset samen te stellen en stelde nieuwe oplossingen voor in semantische segmentatie, dat is het proces waarbij delen van een afbeelding worden geclusterd (pixel voor pixel) tot dezelfde objectklasse. Voor Landbouwvisie, agronomen bepaalden de klassen en annoteerden de afbeeldingen.

De Agriculture-Vision dataset paper werd geaccepteerd door de IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), de hoogst gerangschikte conferentie van alle publicatielocaties op het gebied van informatica en techniek volgens Google Scholar Metrics. Het team organiseert ook een eerste Agriculture-Vision-workshop bij CVPR in Seattle in juni 2020. Het heeft veel aandacht getrokken van zowel landbouw- als computervisiegemeenschappen.

De huidige Agriculture-Vision-dataset bevat bijna honderdduizend afbeeldingen van duizenden maïs- en sojabonenvelden in verschillende staten in het Midwesten. Het bevat annotaties voor aandoeningen zoals tekorten aan voedingsstoffen, drogen, onkruid clusters, en meer. Eventueel, de onderzoekers zijn van plan de dataset uit te breiden met verschillende modaliteiten, zoals grond, topografische kaarten, en warmtebeelden. Ze zeggen dat beelden seizoen na seizoen zijn vastgelegd, jaar na jaar, zou het mogelijk kunnen maken om diepgaande leermodellen te creëren die boeren helpen om niet alleen voor het volgende seizoen te plannen, maar ook voor de duurzame gezondheid van hun bodem op lange termijn.

De capaciteiten van Agriculture-Vision vormen een aanvulling op het aanbod van Intelinair, die gewasintelligentie biedt via zijn AGMRI-oplossing voor telers, landbouwkundigen, agrarische detailhandelaren, en andere spelers in het ag-ecosysteem. Zakelijke partners zijn onder meer Deere &Co., een Fortune 100 ag-fabrikant die de producten van Intelinair gebruikt in zijn Operations Center-product, en de klimaatmaatschappij, die de producten van Intelinair heeft geïntegreerd in zijn FieldView-service.

"We zijn verheugd om het onderzoeksfront voor analyse van landbouwpatronen te leiden door deze dataset te creëren, maar er is zoveel meer dat we aan het onderzoeken zijn, door nauwkeurige labels en annotaties op te nemen, boerderij geschiedenis, bodemgesteldheid, en gewasdynamiek en deze te integreren in deep learning-modellen voor next-gen landbouwintelligentie, " zei Hovakimyan. "We staan ​​nog maar aan het begin van wat we kunnen doen."