從事繁育新品種的工作，在夏季高溫下走入一排排大豆田是繁瑣但必不可少的。研究人員每天在生長(zhǎng)期的關(guān)鍵時(shí)期承受高溫，以尋找表現(xiàn)出理想性狀的植物，例如豆莢過(guò)早成熟。但是，如果沒(méi)有自動(dòng)檢測(cè)這些性狀的方法，育種者就無(wú)法在給定的一年內(nèi)測(cè)試任意數(shù)量的地塊，從而延長(zhǎng)了將新品種推向市場(chǎng)的時(shí)間。

而在一項(xiàng)新研究中，研究人員使用無(wú)人機(jī)圖像和人工智能預(yù)測(cè)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。

評(píng)估豆莢成熟度非常耗時(shí)，而且容易出錯(cuò)。它是基于豆莢顏色的評(píng)分系統(tǒng)，因此也容易受到人為偏見(jiàn)的影響。許多研究小組正在嘗試使用無(wú)人機(jī)圖片評(píng)估成熟度，但無(wú)法大規(guī)模進(jìn)行。因此，我們想出了一種更精確的方法來(lái)做到這一點(diǎn)。實(shí)際上，這真的很又作用。

研究人員訓(xùn)練了計(jì)算機(jī)，以從在五個(gè)試驗(yàn)，三個(gè)生長(zhǎng)季節(jié)和兩個(gè)國(guó)家收集的無(wú)人機(jī)圖像中檢測(cè)冠層顏色的變化。重要的是，他能夠解釋“不良”圖像以保持準(zhǔn)確性。

假設(shè)每三天收集一次圖像，但是有一天，有云或下著雨，所以不能這樣。最終，當(dāng)從不同年份或不同位置獲取數(shù)據(jù)時(shí)，它們的外觀將有所不同圖像的數(shù)量和間隔等等。我們開(kāi)發(fā)的主要?jiǎng)?chuàng)新之處在于我們?nèi)绾文軌蛘f(shuō)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(wú)關(guān)。

使用深度卷積神經(jīng)網(wǎng)絡(luò)的人工智能。CNN類(lèi)似于人類(lèi)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。除了形狀，邊界和紋理外，CNN還能檢測(cè)到顏色的細(xì)微變化。對(duì)于我們?cè)噲D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(shì)在于，使用相同的模型來(lái)預(yù)測(cè)另一個(gè)特征（例如產(chǎn)量或倒伏）將非常簡(jiǎn)單。因此，現(xiàn)在我們已經(jīng)建立了這些模型，對(duì)于人們使用相同的架構(gòu)和相同的策略來(lái)做更多的事情。

找到幫助育種者真正大規(guī)模決策的好方法是非常有意義的。
責(zé)任編輯：YYX