Um conjunto de dados de imagens aéreas em grande escala produzidas pela Intelinair, um spinout da Universidade de Illinois em Urbana-Champaign, visa dar aos agricultores visibilidade sobre as condições de seus campos. O conjunto de dados, chamado Agricultura-Visão, permitirá a análise de padrões agrícolas de imagens aéreas, fornecendo aos agricultores percepções acionáveis ​​sobre o desempenho de suas safras para melhorar a tomada de decisões e maximizar os rendimentos.

Até agora, tem havido uma escassez de conjuntos de dados de imagens agrícolas de alta qualidade, devido em parte ao grande tamanho de imagem necessário para capturar muitos hectares de terra, bem como a dificuldade de reconhecer padrões que não ocorrem de forma consistente em grandes áreas. Pesquisadores da UIUC e da Universidade de Oregon trabalharam com a Intelinair para desenvolver novas técnicas de visão computacional que resolvem problemas complexos de reconhecimento de padrões por meio de métodos de aprendizado profundo.

"A agricultura de próxima geração deve ser orientada por dados, "disse Naira Hovakimyan da CSL, W. Grafton e Lillian B. Wilkins Professor de Ciência Mecânica e Engenharia em Illinois e co-fundador e cientista-chefe da Intelinair. "Ao automatizar o processo de coleta frequente de dados de alta resolução e usar os dados em modelagem preditiva por meio de algoritmos de aprendizado profundo, estamos avançando para o estágio em que as condições em qualquer fazenda podem ser previstas da mesma forma que as previsões do tempo, por exemplo. Está a apenas um clique de distância. "

Desde meados do século 20, quando os cientistas aprenderam como aumentar a produtividade manipulando genomas de plantações e o amplo uso de pesticidas foi introduzido, tem uma nova tecnologia que se mostrou muito promissora. A IA já está sendo usada para automatizar os processos agrícolas e coletar dados sobre as condições do campo. Contudo, o reconhecimento de padrão visual relacionado a ag progrediu lentamente, em parte devido à falta de conjuntos de dados em grande escala e de alta qualidade.

Hovakimyan diz que a análise de padrões agrícolas representa um desafio único porque requer o reconhecimento de padrões que não ocorrem de forma consistente e são difíceis de distinguir - como ervas daninhas ou cursos d'água - em grandes áreas. Por exemplo, discernir a diferença entre um cão e um gato não é tão complicado quanto distinguir o trigo do azevém - uma erva daninha cuja cor e forma são semelhantes às do trigo, e parece basicamente o mesmo visto do ar.

Professor Thomas Huang, Maybelle Leland Swanlund Endowed Chair Emérito em Engenharia Elétrica e de Computação, e Humphrey Shi, um ex-aluno de Illinois em engenharia elétrica e de computação que agora está na Universidade de Oregon, em estreita colaboração com Hovakimyan, liderou uma equipe de estudantes pesquisadores da ECE para fazer a curadoria do conjunto de dados e propor novas soluções em segmentação semântica, que é o processo de agrupar partes de uma imagem (pixel por pixel) na mesma classe de objeto. Para Agriculture-Vision, agrônomos determinavam as aulas e anotavam as imagens.

O artigo do conjunto de dados Agriculture-Vision foi aceito pela Conferência IEEE / CVF sobre Visão Computacional e Reconhecimento de Padrões (CVPR), a conferência com a melhor classificação entre todos os locais de publicação em ciência da computação e engenharia de acordo com o Google Scholar Metrics. A equipe também está organizando um primeiro workshop de Visão Agrícola no CVPR em Seattle em junho de 2020. Ele atraiu uma miríade de atenção das comunidades agrícolas e de visão computacional.

O conjunto de dados Agriculture-Vision atual inclui cerca de cem mil imagens de milhares de campos de milho e soja em vários estados do meio-oeste. Inclui anotações para condições como deficiências de nutrientes, Secar, cachos de ervas daninhas, e mais. Eventualmente, os pesquisadores planejam expandir o conjunto de dados para incluir diferentes modalidades, como solo, mapas topográficos, e imagens térmicas. Eles dizem que as imagens capturadas temporada após temporada, Ano após ano, pode permitir a criação de modelos de aprendizagem profunda que ajudam os agricultores a planejar não apenas para a próxima temporada, mas também para a saúde sustentável de longo prazo de seu solo.

As habilidades da Agriculture-Vision complementam as ofertas da Intelinair, que fornece inteligência de cultivo por meio de sua solução AGMRI para os produtores, agrônomos, varejistas agrícolas, e outros participantes do ecossistema agrícola. Parceiros corporativos incluem Deere &Co., um fabricante Fortune 100 ag que utiliza os produtos da Intelinair em seu produto Operations Center, e a Climate Corporation, que integrou os produtos da Intelinair em seu serviço FieldView.

"Estamos entusiasmados em liderar a frente de pesquisa para análise de padrões agrícolas criando este conjunto de dados, mas há muito mais que estamos explorando, incorporando rótulos e anotações precisas, história da fazenda, condições do solo, e a dinâmica da cultura, integrando-a em modelos de aprendizagem profunda para a inteligência agrícola de última geração, "Hovakimyan disse." Estamos apenas no começo do que podemos fazer. "