Upptäcker alternarier med drönare

Drönare kan hjälpa potatisodlare att snabbt upptäcka alternarier. Det konstaterade Ruben van de Vijver från Institutet för jordbruk, fiske och livsmedelsforskning (ILVO) under den belgiska potatismässan Interpom.

ILVO har under en tid experimenterat med att upptäcka alternarier med sensorer, drönare och artificiell intelligens. "Vi försöker ge odlaren mer information, en bättre överblick, via drönaren", säger forskaren. Det kommer inte att komma till den punkt där artificiell intelligens kan ersätta odlarens expertis helt och hållet, tillade han.

Tidigt skede

Svampfläckar kan också snabbt upptäckas via drönare. "Sensorer på drönarna hjälper till att upptäcka sjukdomen i fält så tidigt som möjligt", säger Van de Vijver. "Tack vare artificiell intelligens kan man redan se svampsjukdomen på en planta. Det är mycket snabbare än odlaren kan se, han ser det oftast bara när stora områden är infekterade. Det är viktigt att döda sjukdomen när den väl är i din växt och ju tidigare du får den, desto mer kan du begränsa dess påverkan. Tack vare denna tidiga upptäckt kan odlaren ingripa effektivt med riktad besprutning och med begränsad miljömässig och ekonomisk påverkan.”

Resultat via surfplatta

Tack vare denna teknik får åkerbrukaren mer information och en överblick över var sjukdomen finns i fältet via en surfplatta. Meningen är att han ska kunna spraya mindre och mer exakt. ”Odlaren kan hoppa över besprutningen eller skjuta upp det några dagar. Potatis sprayas mellan 10 och 18 gånger beroende på väder. Om du kan skjuta upp en besprutning i två dagar innebär det en enorm vinst.”

Automatic detection of early blight caused by Alternaria solani could promote a drastic reduction in the consumption of plant protection agents and the related production losses. A proximal sensing platform was constructed and calibrated for acquiring high resolution hyperspectral images in the field, and used to accurately map Alternaria lesions. High resolution canopy reflectance images were obtained for 32 potato plants that had been infected with A. solani and 32 healthy reference plants.

Spektralklassificerare som partiell minsta kvadraters diskriminantanalys (PLS-DA) och stöd vector maskiner (SVM) baserade på PCA-poäng testades för att skilja påverkade och icke-påverkade pixlar. Båda spektralklassificerarna presterade bra på pixelnivå med en noggrannhet över 0.92. NIR-regionen (750 nm) identifierades som den mest diskriminerande delen av spektrumet för att detektera lesionerna. Eftersom sjukdomstrycket vanligtvis uttrycks som antalet lesioner per område, utvärderades även noggrannheten på denna nivå.

Detta tydde på ett stort antal falska upptäckter vid kanterna av bladen och bladaxen. Därför utformades ett beslutsträd baserat på expertkunskap om formen på Alternaria-lesioner, och användes för att efterbehandla de klassificerade bilderna. Detta minskade antalet falska upptäckter och ökade precisionen från 0.17 till 0.22 på bekostnad av en minskning av återkallelsen från 0.88 till 0.84. Detta lämnar avsevärt utrymme för förbättring av klassificeringsnoggrannheten på objektnivå. Vi lärde oss att (1) få breda våglängder är tillräckliga och (2) rumsliga sammanhang är avgörande för att upptäcka lesioner orsakade av Alternaria-infektion.

Tillämpningen av mer kraftfulla objektklassificeringstekniker såsom konvolutionella neurala nätverk för att förbättra modellens prestanda genom att effektivt inkapsla det rumsliga sammanhanget i klassificeraren kan ytterligare förbättra detekteringsprestandan. Detta kan bana väg för UAV- eller traktorbaserad Alternaria-kartläggning.

/smart