ड्रोन और गहरी शिक्षा

चावल, एक प्रमुख खाद्य फसल है, जिसकी खेती दुनिया भर में लगभग 162 मिलियन हेक्टेयर भूमि पर की जाती है। चावल उत्पादन को मापने के लिए सबसे अधिक इस्तेमाल की जाने वाली विधियों में से एक चावल के पौधों की गिनती है। इस तकनीक का उपयोग उपज का अनुमान लगाने, विकास का निदान करने और धान के खेतों में नुकसान का आकलन करने के लिए किया जाता है। दुनिया भर में चावल की गिनती की अधिकांश प्रक्रियाएँ अभी भी मैन्युअल रूप से की जाती हैं। हालाँकि, यह बेहद थकाऊ, श्रमसाध्य और समय लेने वाला है, जो तेज़ और अधिक कुशल मशीन-आधारित समाधानों की आवश्यकता को दर्शाता है।

चीन और सिंगापुर के शोधकर्ताओं ने हाल ही में एक ऐसी विधि विकसित की है, जिसके तहत चावल गिनने की मैनुअल विधि के स्थान पर एक अधिक परिष्कृत विधि विकसित की जाएगी, जिसमें मानव रहित हवाई वाहनों (यूएवी) या ड्रोन का उपयोग किया जाएगा।

चीन में नानजिंग यूनिवर्सिटी ऑफ पोस्ट्स एंड टेलीकम्युनिकेशंस के प्रोफेसर जियांगुओ याओ, जिन्होंने इस अध्ययन का नेतृत्व किया, के अनुसार, "नई तकनीक यूएवी का उपयोग करके धान के खेत की आरजीबी छवियां - मुख्य रूप से लाल, हरे और नीले प्रकाश से बनी छवियां - कैप्चर करती है। फिर इन छवियों को एक का उपयोग करके संसाधित किया जाता है गहन शिक्षण नेटवर्क हमने राइसनेट नामक एक उपकरण विकसित किया है, जो खेत में चावल के पौधों के घनत्व की सटीक पहचान कर सकता है, साथ ही फसल के स्थान और आकार जैसी उच्च-स्तरीय अर्थ संबंधी विशेषताएं भी प्रदान कर सकता है।”

उनका पेपर प्रकाशित हो चुका है प्लांट फेनोमिक्स.

राइसनेट नेटवर्क आर्किटेक्चर में फ्रंट एंड पर एक फीचर एक्सट्रैक्टर होता है, जो इनपुट इमेज का विश्लेषण करता है, और तीन फीचर डिकोडर मॉड्यूल होते हैं जो धान के खेत में पौधों के घनत्व, धान के खेत में पौधों के स्थान और पौधों के आकार का अनुमान लगाने के लिए जिम्मेदार होते हैं। बाद की दो विशेषताएं स्वचालित फसल प्रबंधन तकनीकों, जैसे उर्वरक छिड़काव पर भविष्य के शोध के लिए विशेष रूप से महत्वपूर्ण हैं।

अध्ययन के एक भाग के रूप में, अनुसंधान दल ने चीन के नानचांग शहर में चावल के खेतों पर एक कैमरा-सुसज्जित यूएवी तैनात किया और तत्पश्चात एक परिष्कृत तकनीक का उपयोग करके प्राप्त आंकड़ों का विश्लेषण किया। छवि विश्लेषण तकनीक। इसके बाद, शोधकर्ताओं ने एक प्रशिक्षण डेटासेट और एक परीक्षण डेटासेट का इस्तेमाल किया। पहले का इस्तेमाल सिस्टम को प्रशिक्षित करने के लिए संदर्भ के रूप में किया गया और दूसरे का इस्तेमाल विश्लेषणात्मक निष्कर्षों को मान्य करने के लिए किया गया।

अधिक विशेष रूप से, 355 मैन्युअल रूप से लेबल किए गए बिंदुओं वाली 257,793 छवियों में से, 246 को यादृच्छिक रूप से चुना गया और प्रशिक्षण छवियों के रूप में उपयोग किया गया, जबकि शेष 109 का उपयोग परीक्षण छवियों के रूप में किया गया। प्रत्येक छवि में औसतन 726 चावल के पौधे थे।

टीम के अनुसार, छवि विश्लेषण के लिए इस्तेमाल की जाने वाली राइसनेट तकनीक का सिग्नल-टू-नॉइज़ अनुपात अच्छा है। दूसरे शब्दों में, यह चावल के पौधों को पृष्ठभूमि से कुशलतापूर्वक अलग करने में सक्षम है, जिससे उत्पन्न पौधों के घनत्व मानचित्रों की गुणवत्ता में सुधार होता है।

अध्ययन के परिणामों से पता चला कि राइसनेट तकनीक की औसत निरपेक्ष त्रुटि और मूल माध्य वर्ग त्रुटि क्रमशः 8.6 और 11.2 थी। दूसरे शब्दों में, राइसनेट का उपयोग करके उत्पन्न घनत्व मानचित्र मैन्युअल तरीकों का उपयोग करके उत्पन्न किए गए मानचित्रों से अच्छे से मेल खाते थे।

इसके अलावा, अपने अवलोकनों के आधार पर, टीम ने कुछ प्रमुख सिफारिशें भी साझा कीं। उदाहरण के लिए, टीम बरसात के दिनों में तस्वीरें लेने की सलाह नहीं देती। यह सूर्योदय के बाद 4 घंटे की अवधि के भीतर यूएवी-आधारित तस्वीरें लेने का भी सुझाव देती है, ताकि कोहरे के समय को कम किया जा सके और चावल के पत्तों के कर्ल की घटना को कम किया जा सके, जो दोनों ही आउटपुट की गुणवत्ता पर प्रतिकूल प्रभाव डालते हैं।

"इसके अलावा, हमने दो अन्य लोकप्रिय फसल डेटासेट का उपयोग करके अपनी तकनीक के प्रदर्शन को और अधिक मान्य किया। परिणामों से पता चला कि हमारी विधि अन्य अत्याधुनिक तकनीकों से काफी बेहतर प्रदर्शन करती है। यह मैनुअल चावल गिनती की पारंपरिक विधि को बदलने के लिए राइसनेट की क्षमता को रेखांकित करता है," प्रोफेसर याओ ने निष्कर्ष निकाला।

राइसनेट अन्य यूएवी- और गहन शिक्षण-आधारित फसल विश्लेषण तकनीकों की ओर मार्ग प्रशस्त करता है, जो बदले में दुनिया भर में खाद्य और नकदी फसलों के उत्पादन में सुधार के लिए निर्णय और रणनीति का मार्गदर्शन कर सकता है।