Nyitókép: Envato/Elements
Az almafák termőképességét hagyományosan főként háziasított és vadméhek által végzett beporzás segíti. Mostanában azonban mind egyértelműbbé vált, hogy a rovarok egyre kevésbé tudják elvégezni a munkát, mert pusztulnak a kolóniák, túl sok méh hal meg, miközben a beporzás iránti kereslet drasztikusan nő.
A termesztőknek tehát alternatív megoldások után kell nézniük. A mezőgazdaság több szektorához hasonlóan, megint az infokommunikációs technológiák, ebben az esetben a gépi látás és a robotizáció a legalkalmasabb a feladat elvégzésére.
Mélytanulás nélkül nem megy
Az almafák virág-klaszterei az ágakhoz tartozó, négy-hat virágból álló csoportok, a középen lévő pedig az először nyíló és a legnagyobb gyümölcsöt hozó királyvirág, a méheket helyettesítő beporzó-rendszerek elsőszámú célpontja. Csakhogy nem mindig egyértelmű megtalálni, azonosítani.
Vadméh beporzás közben (Kép: Envato/Elements)
A Penn Állami Egyetem szakemberei erre a feladatra fejlesztettek – mezőgazdasági kategóriájában első – gépilátás-rendszert. A kutatást vezető Long He és kollégái nem először próbálkoznak a munkaintenzív tevékenységek elvégzésébe besegítő, vagy azokat helyettesítő robotikus technológiákkal. Korábban gombaszedő, almafákat metsző és zöld gyümölcsöket ritkító technikákat dolgoztak ki.
A mélytanulás (deep learning) alapú gépszemnek észre kell vennie a lombkoronában a királyvirágokat. Ez a tevékenység lehet a kiindulási pont a beporzást hatékonyan végző, a kiváló minőségű almatermést maximalizáló robotikus rendszerek felé.
Pennsylvania szövetségi államban egyelőre nem nagy a baj, a beporzást méhek végzik, van is belőlük elég, az Egyesült Államok más területein és a földkerekség számos országában viszont sajnos sokkal rosszabb a helyzet, az almatermesztőknek vagy már most kellenek, vagy előbb-utóbb szükségük lesz az új technológiára.
Gépszem keresi a királyvirágokat
Az egyetem egyik doktorandusza, Xinyang Mu a képek pixelszintű szegmentálását végző, népszerű Mask R-CNN mélytanulás programot használta. A program más objektumok által részben takart, sötétített dolgokat, jelen esetben az almafa királyvirágjait detektálja. A rá alapuló modell kidolgozásához, Mu többszáz fényképet gyűjtött össze almavirág-csoportokról, majd a királyvirágot szegmentáló algoritmust fejlesztett. Az algoritmust virágzó almafák képeinek adatsorán futtatta le, közülük kellett a célvirágokat azonosítania, lokalizálnia.
Drón mezőgazdasági munkában (Kép: Envato/Elements)
Két eltérő almafa-típussal dolgoztak, a rendszert a komoly kihívás miatt az eredetinél jóval több, rengeteg adaton gyakoroltatták. A virágok ugyanis méretre, formára, minden szempontból azonosak, a királyvirágot csak központi elhelyezkedése különbözteti meg a többitől, amelyek közül ráadásul sokan takarják, homályosítják is a képen (és persze a valóságban is).
A nyers képeket két előre meghatározott osztályba címkézték fel: egyedi és takart virágok. A pontosság növeléséért a gyakorlóadatok négyszeresre nagyították fel.
A rendszer, mindig az abszolút középsőre összpontosítva, az emberi szemmel összehasonlítva, minimum 65,6, maximum 98,7 százalékos pontossággal dolgozott a teszteken. A kutatók elégedettek vele.