ప్రధాన ఆహార పంట అయిన వరి ప్రపంచవ్యాప్తంగా దాదాపు 162 మిలియన్ హెక్టార్ల భూమిలో సాగు చేయబడుతోంది. బియ్యం ఉత్పత్తిని లెక్కించడానికి సాధారణంగా ఉపయోగించే పద్ధతుల్లో ఒకటి వరి మొక్కల లెక్కింపు. వరి పొలాల్లో దిగుబడిని అంచనా వేయడానికి, పెరుగుదలను నిర్ధారించడానికి మరియు నష్టాలను అంచనా వేయడానికి ఈ సాంకేతికత ఉపయోగించబడుతుంది. ప్రపంచవ్యాప్తంగా చాలా బియ్యం లెక్కింపు ప్రక్రియలు ఇప్పటికీ మానవీయంగా నిర్వహించబడుతున్నాయి. అయినప్పటికీ, ఇది చాలా శ్రమతో కూడుకున్నది, శ్రమతో కూడుకున్నది మరియు ఎక్కువ సమయం తీసుకుంటుంది, ఇది వేగవంతమైన మరియు మరింత సమర్థవంతమైన యంత్ర-ఆధారిత పరిష్కారాల అవసరాన్ని సూచిస్తుంది.
చైనా మరియు సింగపూర్ పరిశోధకులు ఇటీవల మానవరహిత వైమానిక వాహనాలు (UAVలు) లేదా డ్రోన్ల వినియోగాన్ని కలిగి ఉన్న మాన్యువల్ బియ్యం లెక్కింపును మరింత అధునాతన పద్ధతితో భర్తీ చేయడానికి ఒక పద్ధతిని అభివృద్ధి చేశారు.
అధ్యయనానికి నాయకత్వం వహించిన చైనాలోని నాన్జింగ్ యూనివర్శిటీ ఆఫ్ పోస్ట్స్ అండ్ టెలికమ్యూనికేషన్స్కు చెందిన ప్రొఫెసర్ జియాంగువో యావో ప్రకారం, “కొత్త టెక్నిక్ UAVలను ఉపయోగించి RGB చిత్రాలను-ప్రధానంగా ఎరుపు, ఆకుపచ్చ మరియు నీలం కాంతితో రూపొందించబడిన చిత్రాలను-వరి పొలాన్ని సంగ్రహిస్తుంది. ఈ చిత్రాలు a ఉపయోగించి ప్రాసెస్ చేయబడతాయి లోతైన అభ్యాస నెట్వర్క్ మేము RiceNet అని పిలవబడే అభివృద్ధి చేసాము, ఇది పొలంలో వరి మొక్కల సాంద్రతను ఖచ్చితంగా గుర్తించగలదు, అలాగే పంట ప్రదేశం మరియు పరిమాణం వంటి ఉన్నత-స్థాయి అర్థ లక్షణాలను అందిస్తుంది.
వారి పత్రం ప్రచురించబడింది ప్లాంట్ ఫినోమిక్స్.
రైస్నెట్ నెట్వర్క్ ఆర్కిటెక్చర్లో ఇన్పుట్ ఇమేజ్లను విశ్లేషించే ఫ్రంట్ ఎండ్లో ఒక ఫీచర్ ఎక్స్ట్రాక్టర్ మరియు వరి పొలంలో మొక్కల సాంద్రత, వరి పొలంలో మొక్కల స్థానాన్ని అంచనా వేయడానికి బాధ్యత వహించే మూడు ఫీచర్ డీకోడర్ మాడ్యూల్లు ఉంటాయి. మొక్కల పరిమాణం, వరుసగా. ఎరువులు చల్లడం వంటి స్వయంచాలక పంట నిర్వహణ పద్ధతులపై భవిష్యత్ పరిశోధనలకు చివరి రెండు లక్షణాలు చాలా ముఖ్యమైనవి.
అధ్యయనంలో భాగంగా, పరిశోధనా బృందం చైనా నగరమైన నాన్చాంగ్లోని వరి పొలాలపై కెమెరా-అనుకూలమైన UAVని మోహరించింది మరియు తరువాత అధునాతనమైన సమాచారాన్ని ఉపయోగించి సేకరించిన డేటాను విశ్లేషించింది. చిత్ర విశ్లేషణ సాంకేతికత. తరువాత, పరిశోధకులు శిక్షణ డేటాసెట్ మరియు టెస్ట్ డేటాసెట్ను ఉపయోగించారు. మునుపటిది సిస్టమ్కు శిక్షణ ఇవ్వడానికి సూచనగా ఉపయోగించబడింది మరియు రెండోది విశ్లేషణాత్మక ఫలితాలను ధృవీకరించడానికి ఉపయోగించబడింది.
మరింత ప్రత్యేకంగా, 355 మాన్యువల్గా లేబుల్ చేయబడిన పాయింట్లతో ఉన్న 257,793 చిత్రాలలో, 246 యాదృచ్ఛికంగా ఎంపిక చేయబడ్డాయి మరియు శిక్షణ చిత్రాలుగా ఉపయోగించబడ్డాయి, అయితే మిగిలిన 109 పరీక్ష చిత్రాలుగా ఉపయోగించబడ్డాయి. ప్రతి చిత్రంలో సగటున 726 వరి మొక్కలు ఉన్నాయి.
బృందం ప్రకారం, చిత్ర విశ్లేషణ కోసం ఉపయోగించే RiceNet టెక్నిక్ మంచి సిగ్నల్-టు-నాయిస్ నిష్పత్తిని కలిగి ఉంది. మరో మాటలో చెప్పాలంటే, ఇది వరి మొక్కలను నేపథ్యం నుండి సమర్థవంతంగా వేరు చేయగలదు, తద్వారా ఉత్పత్తి చేయబడిన మొక్కల సాంద్రత మ్యాప్ల నాణ్యతను మెరుగుపరుస్తుంది.
రైస్ నెట్ టెక్నిక్ యొక్క సగటు సంపూర్ణ లోపం మరియు రూట్ మీన్ స్క్వేర్ ఎర్రర్ వరుసగా 8.6 మరియు 11.2 అని అధ్యయనం ఫలితాలు చూపించాయి. మరో మాటలో చెప్పాలంటే, రైస్నెట్ ఉపయోగించి రూపొందించబడిన సాంద్రత మ్యాప్లు మాన్యువల్ పద్ధతులను ఉపయోగించి రూపొందించిన వాటితో మంచి ఒప్పందంలో ఉన్నాయి.
అంతేకాకుండా, వారి పరిశీలనల ఆధారంగా, బృందం కొన్ని కీలక సిఫార్సులను కూడా పంచుకుంది. ఉదాహరణకు, వర్షపు రోజులలో చిత్రాలను పొందమని బృందం సిఫార్సు చేయదు. ఇది సూర్యోదయం తర్వాత 4 గంటల వ్యవధిలో UAV-ఆధారిత చిత్రాలను సేకరించాలని సూచించింది, తద్వారా పొగమంచు సమయాన్ని అలాగే వరి ఆకు కర్ల్స్ సంభవించడాన్ని తగ్గించవచ్చు, ఈ రెండూ అవుట్పుట్ నాణ్యతను ప్రతికూలంగా ప్రభావితం చేస్తాయి.
“దీనికి అదనంగా, మేము మరో రెండు ప్రసిద్ధ క్రాప్ డేటాసెట్లను ఉపయోగించి మా సాంకేతికత యొక్క పనితీరును మరింత ధృవీకరించాము. మా పద్ధతి ఇతర స్టేట్ ఆఫ్ ది ఆర్ట్ టెక్నిక్లను గణనీయంగా అధిగమిస్తుందని ఫలితాలు చూపించాయి. ఇది మాన్యువల్ రైస్ లెక్కింపు యొక్క సాంప్రదాయ పద్ధతిని భర్తీ చేయడానికి RiceNet యొక్క సామర్థ్యాన్ని నొక్కి చెబుతుంది" అని ప్రొఫెసర్ యావో ముగించారు.
రైస్నెట్ ఇతర UAV- మరియు లోతైన అభ్యాస-ఆధారిత పంట విశ్లేషణ పద్ధతులకు మరింత మార్గం సుగమం చేస్తుంది, ఇది ప్రపంచవ్యాప్తంగా ఆహారం మరియు నగదు పంటల ఉత్పత్తిని మెరుగుపరచడానికి నిర్ణయాలు మరియు వ్యూహాలను మార్గనిర్దేశం చేస్తుంది.