పండ్ల తోటలలోని చెట్లపై పుష్పించే గుంపుల లోపల ఆపిల్ కింగ్ పువ్వులను గుర్తించగల మరియు గుర్తించగల యంత్ర దృష్టి వ్యవస్థను పెన్ స్టేట్ పరిశోధకులు రూపొందించారు-రోబోటిక్ పరాగసంపర్క వ్యవస్థ అభివృద్ధిలో కీలకమైన ప్రారంభ దశ-మొదటి-రకం అధ్యయనంలో .
ఆపిల్ పువ్వులు కొమ్మలకు అనుసంధానించబడిన నాలుగు నుండి ఆరు పువ్వుల సమూహాలలో పెరుగుతాయి మరియు మధ్యలో వికసించే పువ్వును కింగ్ ఫ్లవర్ అని పిలుస్తారు. ఈ పువ్వు మొదట క్లస్టర్లో తెరుచుకుంటుంది మరియు సాధారణంగా అతిపెద్ద పండ్లను పెంచుతుంది. కాబట్టి, ఇది రోబోటిక్ పరాగసంపర్క వ్యవస్థ యొక్క ముఖ్య లక్ష్యం అని వ్యవసాయ మరియు అసిస్టెంట్ ప్రొఫెసర్ అయిన లాంగ్ హీ పరిశోధకుడు తెలిపారు. జీవ ఇంజనీరింగ్.
యాపిల్ ఉత్పాదకత కోసం కీటకాల పరాగసంపర్కం సాంప్రదాయకంగా ఆధారపడి ఉంటుంది. ఏదేమైనప్పటికీ, పెంపుడు తేనెటీగలు మరియు అడవి పరాగ సంపర్కాల నుండి పరాగసంపర్క సేవలు పెరుగుతున్న డిమాండ్లకు సరిపోలడం లేదని ఆధారాలు సూచిస్తున్నాయి, అతను పేర్కొన్నాడు. కారణంగా కాలనీ పతనం రుగ్మత, ప్రపంచవ్యాప్తంగా తేనెటీగలు భయంకరమైన రేటుతో చనిపోతున్నాయి. ఫలితంగా, నిర్మాతలకు పరాగసంపర్కానికి ప్రత్యామ్నాయ పద్ధతులు అవసరం.
ఈ అధ్యయనం కాలేజ్ ఆఫ్ అగ్రికల్చరల్ సైన్సెస్లోని హిస్ రీసెర్చ్ గ్రూప్ నిర్వహించిన తాజాది, ఇది పుట్టగొడుగులను ఎంచుకోవడం, ఆపిల్ చెట్ల కత్తిరింపు మరియు ఆకుపచ్చ-పండ్ల సన్నబడటం వంటి శ్రమతో కూడిన వ్యవసాయ పనులను సాధించడానికి రోబోటిక్ సిస్టమ్లను అభివృద్ధి చేయడానికి అంకితం చేయబడింది. ఈ ప్రాజెక్ట్ యొక్క ప్రాథమిక లక్ష్యం, చెట్ల పందిరిలో రాజు పువ్వులను ఖచ్చితంగా గుర్తించగల మరియు గుర్తించగల లోతైన అభ్యాస-ఆధారిత దృష్టి వ్యవస్థను అభివృద్ధి చేయడం అని ఆయన వివరించారు.
"ఈ ఫలితం రోబోటిక్ పరాగసంపర్క వ్యవస్థ కోసం బేస్లైన్ సమాచారాన్ని అందిస్తుందని మేము భావిస్తున్నాము, ఇది అధిక-నాణ్యత గల పండ్ల దిగుబడిని పెంచడానికి ఆపిల్ల సమర్థవంతమైన మరియు పునరుత్పాదక పరాగసంపర్కానికి దారి తీస్తుంది" అని ఆయన చెప్పారు. "పెన్సిల్వేనియాలో, మేము ఇప్పటికీ ఆపిల్ పంటలను పరాగసంపర్కం చేయడానికి తేనెటీగలపై ఆధారపడవచ్చు, కానీ తేనెటీగ చనిపోవడం చాలా తీవ్రంగా ఉన్న ఇతర ప్రాంతాలలో, సాగుదారులకు ఈ సాంకేతికత చాలా త్వరగా అవసరం కావచ్చు."
జిన్యాంగ్ ము, అగ్రికల్చరల్ బయోలాజికల్ ఇంజనీరింగ్ విభాగంలో డాక్టరల్ విద్యార్థి, కింగ్ ఫ్లవర్ అధ్యయనానికి నాయకత్వం వహించారు. ము మాస్క్ R-CNNని ఉపయోగించింది—ఒక ప్రసిద్ధ డీప్-లెర్నింగ్ కంప్యూటర్ ప్రోగ్రామ్, ఇది ఇతర వస్తువుల ద్వారా పాక్షికంగా అస్పష్టంగా ఉన్న వస్తువులను గుర్తించడానికి పిక్సెల్-స్థాయి విభజనను నిర్వహిస్తుంది-మెషిన్ విజన్ సిస్టమ్లో రాజు పువ్వులను గుర్తించడానికి మరియు గుర్తించడానికి.
మాస్క్ R-CNN-ఆధారిత డిటెక్షన్ మోడల్ను రూపొందించడానికి, అతను వందల కొద్దీ ఆపిల్ బ్లూసమ్ క్లస్టర్ ఫోటోలను క్యాప్చర్ చేశాడు. అప్పుడు అతను ఆపిల్ ఫ్లవర్ చిత్రాల ముడి డేటాసెట్ నుండి రాజు పువ్వులను గుర్తించడానికి మరియు గుర్తించడానికి కింగ్ ఫ్లవర్ సెగ్మెంటేషన్ అల్గారిథమ్ను అభివృద్ధి చేశాడు. ఈ పరిశోధన పెన్ స్టేట్ యొక్క ఫ్రూట్ రీసెర్చ్ అండ్ ఎక్స్టెన్షన్ సెంటర్, బిగ్లెర్విల్లేలో నిర్వహించబడింది.
గాలా మరియు హనీక్రిస్ప్ ఆపిల్ రకాలను పరీక్షలకు ఎంపిక చేశారు. పరీక్ష చెట్లను 2014లో సుమారు 5 అడుగుల (గాలా) మరియు 6 1/2 అడుగుల (హనీక్రిస్ప్) చెట్ల అంతరంతో నాటారు. ఈ చెట్లు పొడవైన కుదురు పందిరి నిర్మాణంలో శిక్షణ పొందాయి, సగటు ఎత్తు సుమారు 13 అడుగులు. కెమెరాతో ఇమేజ్-అక్విజిషన్ సిస్టమ్ చెట్ల వరుసల మధ్య యుటిలిటీ వాహనంపై అమర్చబడింది.
కింగ్ ఫ్లవర్లను గుర్తించడానికి మెషిన్ విజన్ సిస్టమ్కు శిక్షణ ఇవ్వడం సవాలుగా ఉంది, ఎందుకంటే అవి సమూహాలలో పార్శ్వ పువ్వుల మాదిరిగానే పరిమాణం, రంగు మరియు ఆకారంలో ఉంటాయి మరియు కింగ్ పువ్వులు సాధారణంగా వాటి కేంద్ర స్థానం కారణంగా చుట్టుపక్కల ఉన్న పువ్వులచే అస్పష్టంగా ఉంటాయి.
మాస్క్ R-CNN మోడల్ శిక్షణ కోసం బదిలీ అభ్యాస అవసరాలను తీర్చడానికి, ముడి చిత్రాలు రెండు ముందే నిర్వచించబడిన తరగతులలో లేబుల్ చేయబడ్డాయి: వ్యక్తిగత పువ్వులు మరియు మూసుకుపోయిన పువ్వులు. ఖచ్చితత్వాన్ని మెరుగుపరచడానికి, శిక్షణ డేటాసెట్ను డేటా-అగ్మెంటేషన్ విధానాలను ఉపయోగించి నాలుగు రెట్లు విస్తరించారు, ము వివరించారు.
"రాజు పువ్వులను పార్శ్వ పువ్వుల నుండి వేరు చేయడానికి, ప్రతి పూల సమూహంలోని అత్యంత కేంద్ర పుష్పం లక్ష్యంగా లేదా స్థానికీకరించబడింది," అని అతను చెప్పాడు. “విజన్ సిస్టమ్ స్వయంచాలకంగా రెండు డైమెన్షనల్ ఫ్లవర్ డెన్సిటీ మ్యాపింగ్ విధానం ఆధారంగా ఫ్లవర్ క్లస్టర్లను విడిగా గుర్తించింది. కనుగొనబడిన ప్రతి పూల సమూహంలో, పుష్పం-లేదా ముసుగు-అత్యంత కేంద్రీకృత స్థానంలో లక్ష్య రాజు పువ్వుగా నిర్ణయించబడుతుంది.
లో ఇటీవల ప్రచురించబడిన పరిశోధనలలో స్మార్ట్ అగ్రికల్చరల్ టెక్నాలజీ, ము యొక్క అల్గోరిథం ఫలితంగా కింగ్ ఫ్లవర్-డిటెక్షన్ ఖచ్చితత్వం యొక్క అధిక స్థాయిని పరిశోధకులు నివేదించారు. పరిశోధకులు కింగ్ ఫ్లవర్లను కంటి ద్వారా గుర్తించడం ద్వారా మానవీయంగా తీసుకున్న కొలతలతో పోల్చితే-పరిశోధకులచే గ్రౌండ్ ట్రూత్ కొలతలు అని పిలుస్తారు-మెషిన్ విజన్ కింగ్ ఫ్లవర్ డిటెక్షన్ ఖచ్చితత్వం 98.7% నుండి 65.6% వరకు ఉంటుంది.