Un conjunto de datos de imágenes aéreas a gran escala producidas por Intelinair, un spinout de la Universidad de Illinois en Urbana-Champaign, tiene como objetivo dar a los agricultores visibilidad sobre las condiciones de sus campos. El conjunto de datos llamado Agriculture-Vision, permitirá el análisis de patrones agrícolas de imágenes aéreas, proporcionar a los agricultores conocimientos prácticos sobre el rendimiento de sus cultivos para mejorar la toma de decisiones y maximizar los rendimientos.

Hasta ahora, Ha habido una escasez de conjuntos de datos de imágenes agrícolas de alta calidad, debido en parte al gran tamaño de imagen requerido para capturar muchos acres de tierra, así como la dificultad de reconocer patrones que no ocurren consistentemente en áreas extensas. Investigadores de UIUC y la Universidad de Oregon trabajaron con Intelinair para desarrollar nuevas técnicas de visión por computadora que resuelven problemas complejos de reconocimiento de patrones a través de métodos de aprendizaje profundo.

"La agricultura de próxima generación debe basarse en datos, "dijo Naira Hovakimyan de CSL, el profesor W. Grafton y Lillian B. Wilkins de ciencia e ingeniería mecánica en Illinois y cofundador y científico jefe de Intelinair. "Automatizando el proceso de recopilación frecuente de datos de alta resolución y utilizando los datos en el modelado predictivo a través de algoritmos de aprendizaje profundo, estamos avanzando a la etapa en la que las condiciones en cualquier granja se pueden pronosticar de la misma manera que los pronósticos meteorológicos, por ejemplo. Está a solo un clic de distancia ".

No desde mediados del siglo XX, cuando los científicos aprendieron cómo aumentar los rendimientos manipulando los genomas de los cultivos y se introdujo el amplio uso de pesticidas, tiene una nueva tecnología que se ha mostrado muy prometedora. La IA ya se está utilizando para automatizar los procesos agrícolas y recopilar datos sobre las condiciones del campo. Sin embargo, El reconocimiento de patrones visuales relacionados con ag ha progresado lentamente, en parte debido a la falta de conjuntos de datos a gran escala y de alta calidad.

Hovakimyan dice que el análisis de patrones agrícolas plantea un desafío único porque requiere el reconocimiento de patrones que no ocurren de manera consistente y son difíciles de distinguir, como malezas o vías fluviales, en grandes áreas. Por ejemplo, discernir la diferencia entre un perro y un gato no es tan complicado como distinguir el trigo del raigrás, una maleza cuyo color y forma son similares a los del trigo. y eso se ve prácticamente igual desde el aire.

Profesor Thomas Huang, la Cátedra Emérita Maybelle Leland Swanlund en Ingeniería Eléctrica e Informática, y Humphrey Shi, un alumno de Illinois en ingeniería eléctrica e informática que ahora está en la Universidad de Oregon, en estrecha colaboración con Hovakimyan, dirigió un equipo de estudiantes investigadores de ECE para seleccionar el conjunto de datos y propuso nuevas soluciones en la segmentación semántica, que es el proceso de agrupar partes de una imagen (píxel por píxel) en la misma clase de objeto. Para Agriculture-Vision, los agrónomos determinaron las clases y anotaron las imágenes.

El documento del conjunto de datos de Agriculture-Vision fue aceptado por la Conferencia IEEE / CVF sobre Visión por Computadora y Reconocimiento de Patrones (CVPR), la conferencia mejor clasificada entre todos los lugares de publicación en ciencias de la computación e ingeniería según Google Scholar Metrics. El equipo también está organizando un primer taller de Agricultura-Visión en CVPR en Seattle en junio de 2020. Ha atraído una gran cantidad de atención tanto de la agricultura como de las comunidades de visión por computadora.

El actual conjunto de datos de Agriculture-Vision incluye cerca de cien mil imágenes de miles de campos de maíz y soja en varios estados del Medio Oeste. Incluye anotaciones para condiciones tales como deficiencias de nutrientes, secar abajo, racimos de malezas, y más. Finalmente, los investigadores planean expandir el conjunto de datos para incluir diferentes modalidades, como el suelo, mapas topográficos, e imágenes térmicas. Dicen que las imágenes capturadas temporada tras temporada, año tras año, podría permitir la creación de modelos de aprendizaje profundo que ayuden a los agricultores a planificar no solo la próxima temporada, sino también para la salud sostenible a largo plazo de su suelo.

Las capacidades de Agriculture-Vision complementan las ofertas de Intelinair, que proporciona inteligencia de cultivos a través de su solución AGMRI para productores, agrónomos, minoristas agrícolas, y otros actores del ecosistema agrícola. Los socios corporativos incluyen Deere &Co., un fabricante agrícola de Fortune 100 que utiliza los productos de Intelinair en su producto de centro de operaciones, y la Corporación del Clima, que ha integrado los productos de Intelinair en su servicio FieldView.

"Estamos entusiasmados de liderar el frente de investigación para el análisis de patrones agrícolas mediante la creación de este conjunto de datos, pero hay mucho más que estamos explorando, incorporando etiquetas y anotaciones precisas, historia de la granja, condiciones del suelo, y dinámica de cultivos e integrándolos en modelos de aprendizaje profundo para inteligencia agrícola de próxima generación, ", Dijo Hovakimyan." Estamos apenas en el comienzo de lo que podemos hacer ".