在仲夏高溫下走一排排大豆是繁瑣但必不可少的繁育新品種的繁瑣工作。研究人員每天在生長期的關(guān)鍵時期承受高溫，以尋找表現(xiàn)出理想性狀的植物，例如豆莢過早成熟。但是，如果沒有自動檢測這些性狀的方法，育種者就無法在給定的一年內(nèi)測試任意數(shù)量的地塊，從而延長了將新品種推向市場的時間。

在伊利諾伊大學(xué)的一項新研究中，研究人員使用無人機圖像和人工智能預(yù)測了兩天內(nèi)的大豆成熟日期，從而大大減少了在地面上穿靴子的需求。

伊利諾伊州作物科學(xué)系助理教授尼古拉斯·馬丁(Nicolas Martin)說：“評估豆莢成熟度非常耗時，而且容易出錯。它是基于豆莢顏色的評分系統(tǒng)，因此也容易受到人為偏見的影響。”該研究的合著者。“許多研究小組正在嘗試使用無人機圖片評估成熟度，但無法大規(guī)模進行。因此，我們想出了一種更精確的方法來做到這一點。實際上，這真的很酷。”

羅德里戈·特雷維森(Rodrigo Trevisan)是與馬丁(Martin)合作的博士生，他們訓(xùn)練了計算機，以從在五個試驗，三個生長季節(jié)和兩個國家收集的無人機圖像中檢測冠層顏色的變化。重要的是，他能夠解釋“不良”圖像以保持準確性。

“假設(shè)我們希望每三天收集一次圖像，但是有一天，有云或下著雨，所以我們不能。最終，當(dāng)您從不同年份或不同位置獲取數(shù)據(jù)時，它們的外觀將有所不同圖像的數(shù)量和間隔等等。”特雷維森說。“我們開發(fā)的主要創(chuàng)新之處在于我們?nèi)绾文軌蛘f明我們能夠收集的一切。我們的模型表現(xiàn)良好，而與收集數(shù)據(jù)的頻率無關(guān)。”

Trevisan使用了一種稱為深度卷積神經(jīng)網(wǎng)絡(luò)的人工智能。他說，CNN類似于人類大腦學(xué)習(xí)從我們的眼睛解釋圖像成分(顏色，形狀，紋理)的方式。

Trevisan說：“除了形狀，邊界和紋理外，CNN還能檢測到顏色的細微變化。對于我們試圖做的事情，顏色是最重要的。” “但是我們使用的人工智能模型的優(yōu)勢在于，使用相同的模型來預(yù)測另一個特征(例如產(chǎn)量或倒伏)將非常簡單。因此，現(xiàn)在我們已經(jīng)建立了這些模型，對于人們使用相同的架構(gòu)和相同的策略來做更多的事情。”

馬丁說，商業(yè)育種公司熱衷于這些功能。

“我們在研究中擁有行業(yè)合作伙伴，他們肯定會在未來的幾年中使用它。他們做出了非常重要的貢獻。他們想確保答案與實地育種者在制定決策，選擇植物和農(nóng)民。”馬丁說。“找到幫助育種者真正大規(guī)模決策的好方法是非常令人興奮的。”