Un set di dati di immagini aeree su larga scala prodotte da Intelinair, uno spin-out dell'Università dell'Illinois a Urbana-Champaign, mira a dare agli agricoltori visibilità sulle condizioni dei loro campi. Il set di dati, chiamato Agricoltura-Visione, consentirà l'analisi del modello agricolo di immagini aeree, fornendo agli agricoltori informazioni utili sulle prestazioni delle loro colture per migliorare il processo decisionale e massimizzare i raccolti.

Fino ad ora, c'è stata una carenza di set di dati di immagini agricole di alta qualità, dovuto in parte alla grande dimensione dell'immagine necessaria per catturare molti acri di terra, così come la difficoltà di riconoscere modelli che non si verificano in modo coerente in vaste aree. I ricercatori dell'UIUC e dell'Università dell'Oregon hanno lavorato con Intelinair per sviluppare nuove tecniche di visione artificiale che risolvono problemi complessi di riconoscimento di modelli attraverso metodi di deep learning.

"L'agricoltura di nuova generazione deve essere guidata dai dati, ", ha affermato Naira Hovakimyan di CSL, il W. Grafton e Lillian B. Wilkins Professore di Scienze Meccaniche e Ingegneria presso l'Illinois e co-fondatore e capo scienziato di Intelinair. "Automando il processo di raccolta frequente di dati ad alta risoluzione e utilizzando i dati nella modellazione predittiva attraverso algoritmi di deep learning, stiamo avanzando verso la fase in cui le condizioni di qualsiasi fattoria possono essere previste allo stesso modo delle previsioni del tempo, Per esempio. Basta un clic di distanza."

Non dalla metà del XX secolo, quando gli scienziati hanno imparato come aumentare i raccolti manipolando i genomi delle colture ed è stato introdotto l'ampio uso di pesticidi, ha una nuova tecnologia mostrata così tanto promessa. L'intelligenza artificiale è già utilizzata per automatizzare i processi agricoli e raccogliere dati sulle condizioni del campo. Però, il riconoscimento del modello visivo correlato all'ag è progredito lentamente, in parte a causa della mancanza di set di dati su larga scala e di alta qualità.

Hovakimyan afferma che l'analisi dei modelli agricoli rappresenta una sfida unica perché richiede il riconoscimento di modelli che non si verificano in modo coerente e sono difficili da distinguere, come erbacce o corsi d'acqua, in vaste aree. Per esempio, discernere la differenza tra un cane e un gatto non è così complicato come distinguere il grano dal loietto, un'erba il cui colore e la cui forma sono simili a quelli del grano, e questo sembra in gran parte lo stesso dall'aria.

Professor Thomas Huang, la cattedra emerita Maybelle Leland Swanlund in ingegneria elettrica e informatica, e Humphrey Shi, un allievo dell'Illinois in ingegneria elettrica e informatica che ora è all'Università dell'Oregon, in stretta collaborazione con Hovakimyan, ha guidato un team di studenti ricercatori dell'ECE per curare il set di dati e ha proposto nuove soluzioni nella segmentazione semantica, che è il processo di raggruppamento di parti di un'immagine insieme (pixel per pixel) nella stessa classe di oggetti. Per Agricoltura-Visione, gli agronomi determinavano le classi e annotavano le immagini.

Il documento sul set di dati Agriculture-Vision è stato accettato dalla Conferenza IEEE/CVF su Computer Vision and Pattern Recognition (CVPR), la conferenza con il punteggio più alto tra tutte le sedi di pubblicazione in informatica e ingegneria secondo Google Scholar Metrics. Il team sta anche organizzando un primo workshop di agricoltura-visione presso CVPR a Seattle nel giugno 2020. Ha attirato una miriade di attenzione sia da parte dell'agricoltura che delle comunità di visione artificiale.

L'attuale set di dati Agriculture-Vision include quasi centomila immagini provenienti da migliaia di campi di mais e soia in diversi stati del Midwest. Include annotazioni per condizioni quali carenze nutrizionali, asciutto, grappoli di erbacce, e altro ancora. Infine, i ricercatori intendono espandere il set di dati per includere diverse modalità, come il suolo, mappe topografiche, e immagini termiche. Dicono che le immagini catturate stagione dopo stagione, anno dopo anno, potrebbe consentire la creazione di modelli di apprendimento profondo che aiutino gli agricoltori a pianificare non solo per la prossima stagione, ma anche per la salute sostenibile a lungo termine del loro suolo.

Le capacità di Agriculture-Vision completano le offerte di Intelinair, che fornisce informazioni sulle colture tramite la sua soluzione AGMRI per i coltivatori, agronomi, rivenditori ag, e altri attori nell'ecosistema ag. I partner aziendali includono Deere &Co., un produttore Fortune 100 ag che utilizza i prodotti Intelinair nel suo prodotto Operations Center, e la Società per il clima, che ha integrato i prodotti Intelinair nel suo servizio FieldView.

"Siamo entusiasti di guidare il fronte della ricerca per l'analisi dei modelli agricoli creando questo set di dati, ma c'è molto di più che stiamo esplorando, incorporando etichette e annotazioni accurate, storia della fattoria, condizioni del suolo, e le dinamiche delle colture e integrandole in modelli di deep learning per l'intelligenza agricola di nuova generazione, " Ha detto Hovakimyan. "Siamo solo all'inizio di quello che possiamo fare."