然而，人工智能和机器学习的最新进展，特别是卷积神经网络(cnn)的深度学习，在这方面提供了有希望的解决方案。为了探索这项新技术的应用范围，来自日本的研究人员进行了一项以水稻为重点的研究。他们使用在作物收获阶段拍摄的地面数字图像，并结合cnn来估计水稻产量。他们的研究于2023年6月29日出现在网上，并于2023年7月28日发表在《植物表型学》第五卷上。
“我们首先开展了广泛的实地活动。我们收集了7个国家20个地点的水稻冠层图像和粗粮产量数据，以创建一个综合的多国数据库，”冈山大学环境、生命、自然科学与技术研究生院副教授田中裕博士说，他领导了这项研究。
这些图像是用数码相机拍摄的，它可以从0.8-0.9米的距离，从水稻冠层垂直向下收集所需的数据。与国际水稻研究所(原非洲水稻中心)的Kazuki Saito博士和其他合作者一起，该团队成功创建了一个数据库，其中包含4820个收获地块的产量数据和22,067张图像，包括各种水稻品种、生产系统和作物管理实践。
接下来，开发了一个CNN模型来估计每个收集到的图像的谷物产量。该团队使用了一种视觉遮挡方法来可视化水稻冠层图像中不同区域的叠加效应。它包括掩盖图像的特定部分，并观察模型的产量估计如何响应于被掩盖的区域而变化。从这种方法中获得的见解使研究人员能够了解CNN模型如何解释水稻冠层图像中的各种特征，影响其准确性以及区分冠层中产量贡献成分和非贡献元素的能力。
该模型表现良好，解释了验证和测试数据集中约68%-69%的产量变化。研究结果强调了圆锥花序(松散分支的花簇)在基于遮挡的可视化产量估算中的重要性。该模型能够准确预测成熟阶段的产量，识别成熟穗，并在预测数据集中检测出品种和水分管理的产量差异。然而，其精度随着图像分辨率的降低而降低。
然而，该模型被证明是稳健的，在不同的拍摄角度和一天中的不同时间都显示出良好的准确性。“总的来说，开发的CNN模型在从不同环境和品种的水稻冠层图像中估计粗粒产量方面表现出了很好的能力。另一个吸引人的方面是，它具有很高的成本效益，不需要劳动密集型的作物收割或复杂的遥感技术，”田中博士热情地说。
该研究强调了基于cnn的模型在区域尺度上监测水稻生产力的潜力。然而，模型的精度在不同的条件下可能会有所不同，进一步的研究应侧重于使模型适应低产和多雨环境。农民和研究人员也可以通过一个简单的智能手机应用程序使用这种基于人工智能的方法，从而大大提高了该技术的可及性及其在现实生活中的应用。这个应用程序的名字是“HOJO”，它已经在iOS和Android上可用。这组科学家希望他们的工作将导致更好地管理稻田，并协助加速育种计划，为全球粮食生产和可持续性倡议做出积极贡献。
关于冈山大学，日本
作为日本的顶尖大学之一，冈山大学旨在为世界的可持续发展创造和建立新的范例。冈山大学提供广泛的学术领域，成为综合研究生院的基础。这不仅使我们能够进行最先进和最新的研究，而且还提供了丰富的教育经验。
网站:https://www.okayama-u.ac.jp/index_e.html
关于日本冈山大学田中裕副教授
田中裕博士是冈山大学环境、生命、自然科学与技术研究生院的副教授。他的研究兴趣是环境、农业、作物生产科学，以及在这些学科中使用基于人工智能的研究方法。他在水稻生产、产量估计、遗传变异研究等方面有着广泛的研究工作。
/公开发布。来自原始组织/作者的材料可能具有时点性质，并根据清晰度，风格和长度进行了编辑。海市蜃楼。新闻不受机构限制 所有的位置或侧面，以及所有的视图、位置等 此处表达的结论仅代表作者的观点。点击此处查看全文。