ເຂົ້າ, ເປັນພືດສະບຽງອາຫານທີ່ສໍາຄັນ, ແມ່ນການປູກຝັງຢູ່ໃນເກືອບ 162 ລ້ານເຮັກຕາໃນທົ່ວໂລກ. ຫນຶ່ງໃນວິທີການທີ່ຖືກນໍາໃຊ້ຫຼາຍທີ່ສຸດໃນການຄິດໄລ່ການຜະລິດເຂົ້າແມ່ນການນັບເຂົ້າ. ເຕັກນິກນີ້ຖືກນໍາໃຊ້ເພື່ອຄາດຄະເນຜົນຜະລິດ, ວິເຄາະການຂະຫຍາຍຕົວ, ແລະປະເມີນການສູນເສຍໃນທົ່ງນາ. ຂະບວນການນັບເຂົ້າໃນທົ່ວໂລກສ່ວນໃຫຍ່ຍັງດຳເນີນດ້ວຍຕົນເອງ. ຢ່າງໃດກໍ່ຕາມ, ນີ້ແມ່ນຄວາມອິດເມື່ອຍທີ່ສຸດ, ເຮັດວຽກຫຼາຍ, ແລະໃຊ້ເວລາຫຼາຍ, ເຊິ່ງຊີ້ໃຫ້ເຫັນເຖິງຄວາມຕ້ອງການຂອງການແກ້ໄຂເຄື່ອງຈັກທີ່ໄວແລະມີປະສິດທິພາບຫຼາຍຂຶ້ນ.
ຫວ່າງມໍ່ໆມານີ້, ນັກຄົ້ນຄວ້າຈາກຈີນແລະສິງກະໂປໄດ້ພັດທະນາວິທີທົດແທນການນັບເຂົ້າດ້ວຍມືດ້ວຍວິທີທີ່ທັນສະໄໝກວ່າ, ເຊິ່ງກ່ຽວຂ້ອງກັບການນຳໃຊ້ຍານອາວະກາດບໍ່ມີຄົນຂັບ (UAV) ຫຼື drones.
ອີງຕາມອາຈານ Jianguo Yao ຈາກມະຫາວິທະຍາໄລໄປສະນີແລະໂທລະຄົມມະນາຄົມ Nanjing ໃນປະເທດຈີນ, ຜູ້ທີ່ນໍາພາການສຶກສາ, "ເຕັກນິກໃຫມ່ໃຊ້ UAVs ເພື່ອບັນທຶກຮູບພາບ RGB - ຮູບພາບທີ່ປະກອບດ້ວຍແສງສະຫວ່າງສີແດງ, ສີຂຽວແລະສີຟ້າ - ຂອງທົ່ງນາ. ຮູບພາບເຫຼົ່ານີ້ແມ່ນຫຼັງຈາກນັ້ນການປຸງແຕ່ງໂດຍການນໍາໃຊ້ a ເຄືອຂ່າຍການຮຽນຮູ້ເລິກ ທີ່ພວກເຮົາໄດ້ພັດທະນາ, ເອີ້ນວ່າ RiceNet, ເຊິ່ງສາມາດລະບຸຄວາມຫນາແຫນ້ນຂອງຕົ້ນເຂົ້າໃນພາກສະຫນາມໄດ້ຢ່າງຖືກຕ້ອງ, ເຊັ່ນດຽວກັນກັບສະຫນອງຄຸນສົມບັດ semantic ໃນລະດັບສູງ, ເຊັ່ນ: ທີ່ຕັ້ງແລະຂະຫນາດຂອງການປູກພືດ.”
ເອກະສານຂອງພວກເຂົາໄດ້ຖືກຈັດພີມມາ ພືດພັນພືດ.
ສະຖາປັດຕະຍະກໍາເຄືອຂ່າຍ RiceNet ປະກອບດ້ວຍຕົວສະກັດຄຸນສົມບັດຫນຶ່ງ, ໃນຕອນທ້າຍດ້ານຫນ້າ, ທີ່ວິເຄາະຮູບພາບການປ້ອນຂໍ້ມູນ, ແລະສາມໂມດູນຕົວຖອດລະຫັດຄຸນນະສົມບັດທີ່ຮັບຜິດຊອບສໍາລັບການປະເມີນຄວາມຫນາແຫນ້ນຂອງພືດໃນທົ່ງນາ, ສະຖານທີ່ຂອງພືດໃນທົ່ງນາ, ແລະ. ຂະຫນາດຂອງພືດ, ຕາມລໍາດັບ. ລັກສະນະສອງອັນສຸດທ້າຍແມ່ນມີຄວາມສໍາຄັນໂດຍສະເພາະສໍາລັບການຄົ້ນຄວ້າໃນອະນາຄົດກ່ຽວກັບເຕັກນິກການຄຸ້ມຄອງການປູກພືດແບບອັດຕະໂນມັດ, ເຊັ່ນ: ການສີດພົ່ນຝຸ່ນ.
ໃນສ່ວນຂອງການສຶກສາ, ຄະນະຄົ້ນຄວ້າໄດ້ນຳໃຊ້ UAV ທີ່ມີກ້ອງຖ່າຍຮູບຢູ່ເທິງທົ່ງນາຂອງເມືອງນານຊາງຂອງຈີນ ແລະໄດ້ວິເຄາະຂໍ້ມູນທີ່ໄດ້ມາໂດຍໃຊ້ເຄື່ອງຈັກທີ່ທັນສະໄໝ. ການວິເຄາະຮູບພາບ ເຕັກນິກ. ຕໍ່ໄປ, ນັກຄົ້ນຄວ້າໄດ້ຈ້າງຊຸດຂໍ້ມູນການຝຶກອົບຮົມແລະຊຸດຂໍ້ມູນການທົດສອບ. ອະດີດຖືກນໍາໃຊ້ເປັນເອກະສານອ້າງອີງໃນການຝຶກອົບຮົມລະບົບແລະສຸດທ້າຍໄດ້ຖືກນໍາໃຊ້ເພື່ອກວດສອບຜົນການວິເຄາະ.
ພິເສດກວ່ານັ້ນ, ໃນຈໍານວນ 355 ຮູບພາບທີ່ມີ 257,793 ຈຸດທີ່ຕິດສະຫຼາກດ້ວຍຕົນເອງ, ມີ 246 ຮູບຖືກເລືອກແບບສຸ່ມ ແລະ ນຳໃຊ້ເປັນຮູບການຝຶກຊ້ອມ, ສ່ວນອີກ 109 ຮູບແມ່ນໃຊ້ເປັນຮູບທົດສອບ. ແຕ່ລະຮູບມີຕົ້ນເຂົ້າສະເລ່ຍ 726 ຕົ້ນ.
ອີງຕາມທີມງານ, ເຕັກນິກ RiceNet ທີ່ໃຊ້ໃນການວິເຄາະຮູບພາບມີອັດຕາສ່ວນສັນຍານກັບສິ່ງລົບກວນທີ່ດີ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ມັນສາມາດຈໍາແນກຕົ້ນເຂົ້າໄດ້ຢ່າງມີປະສິດທິພາບຈາກພື້ນຖານ, ດັ່ງນັ້ນການປັບປຸງຄຸນນະພາບຂອງແຜນທີ່ຄວາມຫນາແຫນ້ນຂອງພືດທີ່ຜະລິດໄດ້.
ຜົນໄດ້ຮັບຂອງການສຶກສາໄດ້ສະແດງໃຫ້ເຫັນວ່າຄວາມຜິດພາດຢ່າງແທ້ຈິງຂອງຄ່າສະເລ່ຍແລະຄວາມຜິດພາດ root mean square ຂອງເຕັກນິກ RiceNet ແມ່ນ 8.6 ແລະ 11.2, ຕາມລໍາດັບ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ແຜນທີ່ຄວາມຫນາແຫນ້ນທີ່ຜະລິດໂດຍໃຊ້ RiceNet ແມ່ນຢູ່ໃນຂໍ້ຕົກລົງທີ່ດີກັບຜູ້ທີ່ສ້າງໂດຍໃຊ້ວິທີການຄູ່ມື.
ນອກຈາກນັ້ນ, ອີງຕາມການສັງເກດຂອງເຂົາເຈົ້າ, ທີມງານຍັງໄດ້ແບ່ງປັນຄໍາແນະນໍາທີ່ສໍາຄັນຈໍານວນຫນຶ່ງ. ຕົວຢ່າງ, ທີມງານບໍ່ແນະນໍາໃຫ້ໄດ້ຮັບຮູບພາບໃນມື້ຝົນຕົກ. ນອກນັ້ນ, ຍັງໄດ້ແນະນຳໃຫ້ເກັບກຳຮູບທີ່ນຳໃຊ້ UAV ພາຍໃນໄລຍະເວລາ 4 ຊົ່ວໂມງຫຼັງຈາກຕາເວັນຂຶ້ນ, ເພື່ອຫຼຸດຜ່ອນເວລາມີໝອກ ພ້ອມກັບການເກີດຂອງໃບເຂົ້າ, ເຊິ່ງທັງສອງຢ່າງສົ່ງຜົນກະທົບຕໍ່ຄຸນນະພາບຜົນຜະລິດ.
“ນອກຈາກນີ້, ພວກເຮົາຍັງກວດສອບປະສິດທິພາບຂອງເຕັກນິກຂອງພວກເຮົາໂດຍນໍາໃຊ້ສອງຊຸດຂໍ້ມູນການປູກພືດທີ່ນິຍົມອື່ນໆ. ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າວິທີການຂອງພວກເຮົາມີປະສິດທິພາບດີກວ່າເຕັກນິກທີ່ທັນສະໄຫມອື່ນໆ. ນີ້ຊີ້ໃຫ້ເຫັນທ່າແຮງຂອງ RiceNet ໃນການທົດແທນວິທີການແບບດັ້ງເດີມຂອງການນັບເຂົ້າດ້ວຍມື,” ສາດສະດາຈານ Yao ສະຫຼຸບ.
RiceNet ຍັງປູທາງໄປສູ່ເຕັກນິກການວິເຄາະຜົນລະປູກທີ່ອີງໃສ່ UAV ແລະການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ, ເຊິ່ງສາມາດນໍາພາການຕັດສິນໃຈ ແລະຍຸດທະສາດເພື່ອປັບປຸງການຜະລິດສະບຽງອາຫານ ແລະການປູກພືດເປັນເງິນສົດໃນທົ່ວໂລກ.