Ein maschinelles Bildverarbeitungssystem, das in der Lage ist, Apfelkönigsblumen in Blütenbüscheln an Bäumen in Obstgärten zu lokalisieren und zu identifizieren, wurde von Forschern der Penn State University in einer einzigartigen Studie entwickelt – ein entscheidender früher Schritt in der Entwicklung eines robotischen Bestäubungssystems .
Apfelblüten wachsen in Gruppen von vier bis sechs Blüten, die an Zweigen befestigt sind, und die mittlere Blüte wird als Königsblume bezeichnet. Diese Blüte öffnet sich zuerst in der Traube und bringt normalerweise die größte Frucht hervor. Laut dem Forscher Long He, Assistenzprofessor für Landwirtschaft und Landwirtschaft, ist es das Hauptziel eines Bestäubungsroboters Biologische technik.
Für die Produktivität von Äpfeln ist traditionell die Bestäubung durch Insekten entscheidend. Es gebe jedoch Hinweise darauf, dass die Bestäubungsleistungen sowohl von domestizierten Honigbienen als auch von wilden Bestäubern den steigenden Anforderungen nicht gerecht würden, stellte er fest. Wegen Koloniekollaps-Störung, sterben Honigbienen auf der ganzen Welt in besorgniserregendem Ausmaß. Daher benötigen Produzenten alternative Bestäubungsmethoden.
Diese Studie ist die neueste, die von Hes Forschungsgruppe am College of Agricultural Sciences durchgeführt wurde. Sie widmet sich der Entwicklung von Robotersystemen zur Erledigung arbeitsintensiver landwirtschaftlicher Aufgaben wie dem Pilzesammeln, dem Beschneiden von Apfelbäumen und dem Ausdünnen grüner Früchte. Das Hauptziel dieses Projekts, erklärte He, sei die Entwicklung eines auf Deep Learning basierenden Bildverarbeitungssystems, das Königsblumen in Baumkronen präzise identifizieren und lokalisieren könne.
„Wir glauben, dass dieses Ergebnis grundlegende Informationen für ein Roboterbestäubungssystem liefern wird, das zu einer effizienten und reproduzierbaren Bestäubung von Äpfeln führen würde, um den Ertrag hochwertiger Früchte zu maximieren“, sagte er. „In Pennsylvania können wir uns immer noch auf Bienen verlassen, um Apfelkulturen zu bestäuben, aber in anderen Regionen, in denen das Bienensterben schwerwiegender war, könnten Landwirte diese Technologie früher als später benötigen.“
Xinyang Mu, Doktorand in der Abteilung für Agrarbiologie, leitete die King-Flower-Studie. Mu nutzte Mask R-CNN – ein beliebtes Deep-Learning-Computerprogramm, das eine Segmentierung auf Pixelebene durchführt, um Objekte zu erkennen, die teilweise von anderen Objekten verdeckt werden –, um die Königsblumen in einem Bildverarbeitungssystem zu identifizieren und zu lokalisieren.
Um das auf Mask R-CNN basierende Erkennungsmodell zu erstellen, hat er Hunderte von Apfelblüten-Clusterfotos aufgenommen. Anschließend entwickelte er einen Königsblumen-Segmentierungsalgorithmus, um die Königsblumen anhand dieses Rohdatensatzes von Apfelblütenbildern zu identifizieren und zu lokalisieren. Die Forschung wurde im Fruit Research and Extension Center der Penn State University in Biglerville durchgeführt.
Gala und Honeycrisp Apfel Für die Tests wurden Sorten ausgewählt. Die Testbäume wurden 2014 mit einem Baumabstand von etwa 5 Fuß (Gala) und 6 1/2 Fuß (Honeycrisp) gepflanzt. Diese Bäume wurden in hoher Spindeldacharchitektur mit einer durchschnittlichen Höhe von etwa 13 Fuß erzogen. Das Bilderfassungssystem mit Kamera wurde an einem Nutzfahrzeug montiert, das zwischen Baumreihen manövriert wurde.
Mu wies darauf hin, dass das Training des Bildverarbeitungssystems zur Lokalisierung von Königsblumen eine Herausforderung darstellte, da sie die gleiche Größe, Farbe und Form wie die seitlichen Blüten in Büscheln haben und die Königsblumen aufgrund ihrer zentralen Position normalerweise von den umgebenden Blumen verdeckt werden.
Um die Anforderungen des Transferlernens für das Training des Mask R-CNN-Modells zu erfüllen, wurden Rohbilder in zwei vordefinierten Klassen gekennzeichnet: einzelne Blumen und verdeckte Blumen. Um die Präzision zu erhöhen, wurde der Trainingsdatensatz mithilfe von Datenerweiterungsansätzen um das Vierfache vergrößert, erklärte Mu.
„Um Königsblüten von Seitenblüten zu unterscheiden, wurde die zentralste Blüte innerhalb jedes Blütenbüschels gezielt oder lokalisiert“, sagte er. „Das Vision-System lokalisierte die Blütenbüschel automatisch separat, basierend auf einem zweidimensionalen Ansatz zur Kartierung der Blütendichte. Innerhalb jedes erkannten Blütenbüschels wurde die Blume – oder die Maske – an der am weitesten zentrierten Position als Zielkönigsblume bestimmt.“
In kürzlich veröffentlichten Ergebnissen in Smarte Agrartechnik, berichteten die Forscher über ein hohes Maß an Genauigkeit bei der Erkennung von Königsblumen, das sich aus Mu's Algorithmus ergibt. Im Vergleich zu Messungen, die von Forschern manuell durchgeführt wurden, um Königsblumen anhand des Auges zu identifizieren – von den Forschern als „Ground Truth“-Messungen bezeichnet – schwankte die Genauigkeit der maschinellen Bildverarbeitung bei der Erkennung von Königsblumen zwischen 98.7 % und 65.6 %.