Ученые используют компьютерное зрение и машинное обучение для прогнозирования роста растений
Ученые из Космического центра (КЦ) и Центра по научным и инженерным вычислительным технологиям для обработки больших данных (CDISE) Сколтеха разработали метод прогнозирования увеличения биомассы растений с использованием 2-D и 3-D изображений. Результаты помогут повысить эффективность точного земледелия как на Земле, так и в космосе. Исследование представлено на конференции IEEE Instrumentation and Measurement Technology Conference и принято к публикации в специальном выпуске журнала IEEE Pervasive Computing.
Точные прогностические модели, способные предсказывать рост растений и оптимизировать производство, крайне необходимы. Эмпирические модели имеют ряд слабых мест, включая ограниченную область применения и множество параметров, требующих длительных и дорогих измерений. Универсальные модели с высокой точностью — незаменимый инструмент для широкого спектра применений: от открытого земледелия и тепличных хозяйств до систем искусственного жизнеобеспечения для космических станций.
Профессора Руперт Герцер, Татьяна Подладчикова и Андрей Сомов, а также аспирант Сколтеха Дмитрий Шадрин разработали метод прогнозирования роста растений в искусственной среде.
Методология:
- Сбор статистики путем измерения роста растений в искусственной беспочвенной системе с помощью 3-D камеры и установление взаимосвязи между увеличением общей биомассы и расширением общей площади поверхности листьев.
- Фиксация увеличения общей площади листьев с помощью 2-D камеры.
- Построение динамической модели роста растений на основе этих измерений.
Ключевая особенность метода — использование данных как с 3-D, так и с 2-D камер, что устраняет необходимость трудоемких многопараметрических расчетов. Данные о площади листьев и биомассе растения в сочетании с эффективной математической моделью дают точные результаты.
Ученые использовали специально разработанную автоматическую систему с возможностью искусственного роста, 2-D и 3-D камерами и датчиками окружающей среды. Система в значительной степени опирается на машинное обучение для моделирования роста растений и прогнозирования его динамики. В ходе эксперимента было обработано более 10 000 изображений.
Исследование заложило основу для пилотного проекта по оптимизации роста растений, который в настоящее время реализуется на высокотехнологичной экспериментальной тепличной ферме Мичуринского государственного аграрного университета. На основе результатов проекта и алгоритмов машинного обучения разрабатываются рекомендательные системы для оптимизации тепличных хозяйств.
Ключевые цитаты:
- «Главное преимущество нашего метода в том, что 3-D изображения каждого вида растений достаточно получить только один раз. После этого прогнозировать рост биомассы в теплицах можно с помощью самых простых камер. Это помогает создавать гораздо более простые и дешевые системы прогнозирования, мониторинга и оптимизации для теплиц и систем искусственного жизнеобеспечения», — говорит главный автор исследования Дмитрий Шадрин.
- «Новые результаты, полученные в этом эксперименте, и эффективные методы анализа данных и прогнозирования роста биомассы вносят ценный вклад в развитие автономных систем жизнеобеспечения для использования в космосе и на Земле», — пояснила профессор Татьяна Подладчикова.