RANA PREDIKCIJA PRINOSA PŠENICE POMOĆU RGB I TERMALNIH SLIKA KORIŠĆENJEM ALGORITMA DUBOKIH NEURONSKIH MREŽA

Željana Grbović

Istraživač pripravnik, Institut BioSens

 

Pšenica je jedna od najvažnijih žitarica koja se uzgaja širom sveta i koristi za ljudsku ishranu. Sa porastom populacije, neophodno je pronaći načine kako poboljšati, unaprediti i povećati proizvodnju i zalihe, kako ove tako i ostalih žitarica.
U 2019. godini beležimo treću uzastopnu sezonu u kojoj se posmatrala pšenica na eksperimentalnim poljima Instituta BioSens. Tokom prve dve sezone, za prikupljanje slika pšenice je korišćena FLIR-ova kamera, oznake SC620 iz kose perspektive, dok je za ovu sezonu korišćena mobilna termalna kamera iz ptičije perspektive.

Figure 1. FLIR SC620 camera

Figure 2. FLIR ONE PRO for iOS

 

Svrha ovih eksperimenata je da se omogući poljoprivredniku da slika usev pšenice na svom polju (idealno 4 nedelje pre žetve), postavi sliku na mobilnu aplikaciju i na osnovu slike dobije informaciju o trenutnoj proceni prinosa za posmatranu fazu razvoja biljke. U slučaju da je procenjena vrednost prinosa ispod proseka, ova informacija bi bila značajna kako bi se na vreme preduzele agrotehničke mere i tretmani radi poboljšanja prinosa. Automatizacija brojanja klaseva pšenice (broj klaseva na površini od 1m2) omogućila bi brzu evaluaciju ovog parametra, koji je jedan od najvažnijih u određivanju procene prinosa pšenice. Osim toga, donela bi uštedu od oko 200 radnih sati, olakšala monitoring i povećala efikasnost upravljanja usevima. Takođe, ušteda novčanih sredstava nije zanemarljiva, jer je ovo još jedan vid preventive od gubitka uloženih investicija zbog smanjenog prinosa.

Tradicionalan način određivanja procene prinosa je ručnom metodom, što je vremenski veoma zahtevan proces. Poljoprivrednik ručno uzima uzorke sa parcele, površine 1m2. U slučaju da je parcela velika, potrebno je uzeti uzorke za više lokacija u okviru iste parcele. Nakon merenja biomase uzoraka, uzorci se razdvajaju i ručno prebrojavaju. Brojanje jednog uzorka zahteva prosečno 1 sat, a broj uzoraka može biti i veći od 200, što za rezultat daje 200 radnih sati, odnosno dve do tri nedelje rada koji se mogu izbeći.

Baza podataka se sastoji iz dva seta podataka: termalnih i RGB slika (Slike 3 i 4). Termalne slike daju informacije u vidu razlike u temperaturi između klasa pšenice i pozadine. Razlike u temperaturi se ogledaju u vidu boja na slikama, pa samim tim olakšavaju detekciju klaseva. Prikupljanje slika je odrađeno u 4 datuma, na dve lokacije u dve faze razvoja pšenice.

Figure 3. Thermal image

Figure 4. RGB image

 

Budući da smo svedoci veoma uspešnog povratka primene algoritma neuralnih mreža, pogotovo u oblasti obrade slike, algoritam dubokog učenja je značajno prevazišao klasične metode u pogledu performansi. Priroda ovog algoritma je takva, da daje bolje rezultate, ako dobija više podataka. Postavljanje slika sa polja od strane poljoprivrednika bi doprinelo boljem učenju neuralne mreže, pa samim tim i preciznijim rezultatima.

Osim same primene dubokog učenja za rešenje ovog problema, treba se osvrnuti i na tehnička pitanja kao što su zahtevana upotreba memorije grafičkih kartica koje ovaj algoritam koristi, kao i potrebno vreme za obučavanje jedne ovakve mreže. Ovo istraživanje se osvrće na performanse 3 najčešće korišćene aktivacione funkcije: Rectified Linear Unit (ReLU), Parametrized Rectified Linear Unit (PReLU) i Exponential Linear Units (ELU).

Figure 5. Memory usage

Figure 6. Model performance

Figure 7. Time analysis

 

ELU aktivaciona funkcija zahteva manje memorije i kraće vreme obuke mreže, bez uticaja na performanse modela u vidu tačnosti segmentacije (Slike 5, 6 i 7).

Algoritam za detekciju klaseva pšenice postiže tačnost od 92% i F1 meru segmentacije u vrednosti od 75% tačno segmentovanih piksela u termalnim slikama, i 67% i 68% respektivno, na RGB. Prosečna greška segmentacije predstavljena u broju klaseva iznosi pet klaseva na termalnim slikama i nula na RGB. Algoritam za automatsko prebrojavanje pšenice greši u proseku 3 klasa prilikom prebrojavanja na svim slikama. Tačnost ovog algoritma iznosi 89% na termalnim i 82% na RGB slikama. Objedinjeni rezultati algoritma automatskog prebrojavanja klaseva su prikazani na slici 8.

 

Figure 8. The algorithm for automatic counting ears performance

 

Nastavak istraživanja ide u smeru redukovanja okluzije i preklapanja klaseva, što su u najvećem broju slučajeva glavni uzroci za greške prilikom segmentacije. Takođe, različite veličine klaseva zahtevaju određena poravnanja slika. Pored navedenog, neizostavno je i pomenuti nepredvidivost spoljašnjih faktora u vidu vremenskih uslova prilikom akvizicije slika na terenu, te je neophodno obezbediti bolje kontrolisane uslove prilikom prikupljanja fotografija.

Iako je ovaj način utvrđivanja trenutne procene prinosa prilagođen manjim parcelama, sama ideja u osnovi se ogleda u olakšavanju prakse koja se trenutno izvršava. Moguća je i ugradnja u vidu aplikacije i senzora u modernu mehanizaciju. Nove aplikacije koje razvijaju istraživači Instituta BioSens, posvećene su kako velikim tako i manjim zemljoposedincima, kako bi svi bili u mogućnosti da iskoriste prednosti primene informacionih tehnlogija (IT-a) u poljoprivredi.