Droonid võivad aidata kartulikasvatajatel alternariat kiiresti tuvastada. Seda ütles Ruben van de Vijver Põllumajanduse, Kalanduse ja Toiduainete Uurimise Instituudist (ILVO) Belgia kartulimessil Interpom.
ILVO on juba mõnda aega katsetanud alternaaria tuvastamist sensorite, droonide ja tehisintellektiga. "Püüame anda drooni kaudu kasvatajale rohkem teavet, paremat ülevaadet," ütleb teadlane. Ta lisas, et see ei jõua nii kaugele, et tehisintellekt võib kasvataja teadmisi täielikult asendada.
Varane staadium
Seeneplekke saab kiiresti tuvastada ka droonide abil. "Droonide andurid aitavad haiguse võimalikult varakult avastada," ütleb Van de Vijver. «Tänu tehisintellektile on seenhaigust juba ühel taimel näha. See on palju kiirem, kui kasvataja näeb, tavaliselt näeb ta seda ainult siis, kui suured alad on nakatunud. Oluline on hävitada haigus, kui see on teie taimes, ja mida varem te selle tabate, seda rohkem saate selle mõju piirata. Tänu sellele varajasele avastamisele saab kasvataja tõhusalt sekkuda sihipärase pritsimisega ning piiratud keskkonna- ja finantsmõjuga.
Tulemused tahvelarvuti kaudu
Tänu sellele tehnoloogiale saab põllumees tableti vahendusel rohkem infot ja ülevaate, kus haigus põllul asub. Eesmärk on, et ta saaks piserdada vähem ja täpsemalt. «Kasvataja võib pritsimise vahele jätta või mõne päeva edasi lükata. Kartulit pritsitakse olenevalt ilmast 10–18 korda. Kui saate pritsimist kaks päeva edasi lükata, tähendab see tohutut kasumit.
Alternaria solani poolt põhjustatud varajase lehemädaniku automaatne tuvastamine võib aidata drastiliselt vähendada taimekaitsevahendite tarbimist ja sellega seotud tootmiskadusid. Konstrueeriti ja kalibreeriti proksimaalne sensorplatvorm kõrge eraldusvõimega hüperspektraalsete kujutiste saamiseks välitingimustes ning seda kasutati Alternaria kahjustuste täpseks kaardistamiseks. Kõrge eraldusvõimega võra peegelduspildid saadi 32 A. solaniga nakatunud kartulitaime ja 32 terve võrdlustaime kohta.
Spektri klassifikaatorid nagu osalise vähimruutude diskrimineerimisanalüüsi (PLS-DA) ja PCA skooridel põhinevaid tugivektori masinaid (SVM), testiti mõjutatud ja mõjutamata pikslite eristamiseks. Mõlemad spektraalklassifikaatorid toimisid hästi pikslite tasemel täpsusega üle 0.92. NIR-piirkond (750 nm) tuvastati kahjustuste tuvastamise spektri kõige eristavama osana. Kuna haiguse survet väljendatakse tavaliselt kahjustuste arvuna piirkonna kohta, hinnati ka täpsust sellel tasemel.
See viitas märkimisväärsele arvule valetuvastustele lehtede servades ja lehtede kaenlas. Seetõttu koostati Alternaria kahjustuste kuju puudutavate ekspertteadmiste põhjal otsustuspuu, mida kasutati salastatud kujutiste järeltöötluseks. See vähendas valetuvastuste arvu, suurendades täpsust 0.17-lt 0.22-le, kuna tagasikutsumine vähenes 0.88-lt 0.84-le. See jätab objekti tasemel klassifitseerimise täpsuse parandamiseks palju ruumi. Saime teada, et (1) piisab vähestest laiadest lainepikkustest ja (2) ruumiline kontekst on Alternaria nakkuse põhjustatud kahjustuste tuvastamiseks hädavajalik.
Võimsamate objektide klassifitseerimistehnikate, näiteks konvolutsiooniliste närvivõrkude, rakendamine mudeli jõudluse parandamiseks, kapseldades tõhusalt klassifikaatorisse ruumilise konteksti, võib tuvastamise jõudlust veelgi parandada. See võib sillutada teed UAV- või traktoripõhisele Alternaria kaardistamisele.