Precise plant stand count with drone

Precíziós tőszámlálás drónnal és mesterséges intelligenciával: kukoricához, napraforgóhoz és cukorrépához

Precíziós tőszámlálás drónnal és mesterséges intelligenciával: kukoricához, napraforgóhoz és cukorrépához

Ebben a cikkben bemutatjuk a precíziós tőszámlálást, amely egy kereskedelmi forgalomban kapható drónnal és a Proofminder által betanított AI algoritmussal segít a pontos termésbecslésben és további betekintést nyújt a tábla helyzetébe. Gyakorlati tippeket adunk a felvételezéshez kukorica, cukorrépa és napraforgó esetében, ám ezek az információk hasznosak lehetnek más szántóföldi növények, zöldségek és gyümölcsösök esetében is. Olvass tovább!

Az tőszámlálás elengedhetetlen a hozam menedzseléséhez. Lehetővé teszi a termelők számára, hogy megbecsüljék a növénypopulációt, a sűrűséget, a csírázási arányt és a növények egészségi állapotát, és időben meghozzák a hozamot befolyásoló döntéseket. A növényállomány-számlálás elterjedt manuális módszerei évtizedek óta segítik a termelőket. Ezek szemrevételezésen és egy kisebb, előre meghatározott szegmensen történő növényszámláláson alapulnak. Ezek a módszerek azonban fáradságosak és közel sem pontosak. A szegmentált állományszámítás nem ad teljes képet, és könnyen elsiklik az egyenetlen kikelésű vagy gyomnövény-problémás területek fölött. A táblára vonatkozó információk hiánya elpazarolt erőforrásokhoz és kevésbé jövedelmező döntésekhez vezet.

Az olyan új technológiák, mint a drónok és a mesterséges intelligencia, kihasználják az agrárműveletek intelligensebbé és hatékonyabbá tételének lehetőségét. Ezzel az innovatív megközelítéssel a termelők pontos adatokat kaphatnak, időben hozhatnak döntéseket, és fenntarthatóan maximalizálhatják a hozamukat. Meglepő módon ez nem olyan bonyolult vagy költséges, mint amilyennek hangzik.

Ebben a cikkben bemutatjuk a precíziós tőszámlálást, amely egy kereskedelmi forgalomban kapható drónnal és a Proofminder által betanított AI algoritmussal segít a pontos termésbecslésben és további betekintést nyújt a tábla helyzetébe. Gyakorlati tippeket adunk a felvételezéshez kukorica, cukorrépa és napraforgó esetében, ám ezek az információk hasznosak lehetnek más szántóföldi növények, zöldségek és gyümölcsösök esetében is. Ha van drónod, vagy annak vásárlását fontolgatod, hogy egy fárasztó feladatot interaktív folyamattá alakíts és precíz eredményt érj el, olvass tovább. Itt megtalálod a drónokra vonatkozó javaslatainket, a repülési tippjeinket és a gyakori hibákat, valamint megtudhatod, hogyan készíthetsz precíziós tőszámlálási jelentést néhány óra alatt, egy innovatív AI gazdálkodási platform segítségével.

Mikor és miért van szükség pontos tőszámlálásra?

Vannak helyzetek, amikor az alacsony pontosságú jelentés elfogadható, de ha az alábbiak valamelyikére törekszel, a pontos jelentés elengedhetetlen:

  • A vetés minőségének ellenőrzése, különösen, ha vetőmagot termelsz;
  • Változó termelékenységű zónák azonosítása;
  • Pontos adatok gyűjtése K+F projektek során;
  • Precíz hozambecslés a korai szakaszban;
  • Idegen növények felismerése;
  • Döntéshozatal, például arról hogy részben újra kell e ültetni a táblát;
  • Hozampotenciál novelése a termelési célok elérése érdekében.

Mikor a legalkalmasabb a növényállomány számlálása drón és mesterséges intelligencia használatával?

A tőszám és a növénysűrűség becslése döntő fontosságú a korai szezon termésgazdálkodása szempontjából. Az ilyen módon elérhető pontos információk esélyt jelentenek a hozam megmentésére – ha bármi probléma adódna -, és a betakarítás javítására. Hogy megfelelő képeket készíthess a további elemzéshez, vedd figyelembe a növényekkel és az időjárással kapcsolatos tippjeinket.

A növénynek elég nagynak kell lennie ahhoz, hogy a levegőből is látható legyen, de a levelek még nem lehetnek túl közel egymáshoz, hogy megkülönöztethetőek legyenek a növények és megbecsülhető legyen a sűrűségük. A kukorica pontos tőszámának meghatározásához például, a növénynek körülbelül 3-7 levelesnek kell lennie (V3-V7 vegetációs szakasz). Az időjárásnak kiegyensúlyozottnak kell lennie a felvétel ideje alatt, így az objektív alkalmazkodni tud a körülményekhez, legyenek azok naposak vagy felhősek. Ezenkívül a túl szeles idő sem megfelelő. Ne feledd, hogy a szél sebessége a magaslattól függően nagymértékben változhat. Melyik a megfelelő magasság a tőszámláláshoz? Lásd alább!

Manual plant stand count of corn

1. ábra – Kukoricatábla

Common method of plant stand count of corn

2. ábra – A kukorica kézi tőszámlálása

Képek készítése drónnal – tippek és javaslatok

Az ideális felbontás drónnal és intelligens szoftverrel történő tőszámításnál a növénytől és a célunktól függ. Kukorica, napraforgó, cukorrépa és más szántóföldi növények és zöldségek precíz tőszámlálásához 0,8 cm/pixel vagy kevesebb a javasolt felbontás. Mit jelent ez, és milyen a megfelelő drón? A széles körben elérhető DJI Phantom 4 Pro V.2 jó belépő szintű opció lehet erre a feladatra, ehhez hasonlóan a DJI Phantom 4 RTK is remek választás, ha professzionális drónt szeretnél nagy pontosságú pozicionálással. Az említett felbontás eléréséhez 18-30 méteres magasságban kell repülni. Fontos, hogy az integrált vezérlők némelyike (a Plus verziók) a repülési magasságot 25 m-re korlátozza a talaj felett, így ha kis méretű termést szeretnél számolni és alacsonyan repülni, akkor érdemes az egyszerű vezérlőt választani, és mobilról vagy tabletről irányítani a drónt. Részletgazdag képek készítéséhez az ideális repülési sebesség a magasságtól és a szélviszonyoktól függően 3-5 m/s. Ezekkel a drónokkal napi 25-30 hektárt tudsz lerepülni, ha elegendő akkumulátor van nálad. A megfelelő felszereléssel a helyszínen is fel tudod tölteni az akkumulátorokat. A Proofmindernél a képrögzítés újszerű módjain dolgozunk, és látjuk annak a lehetőségét, hogy a közeljövőben ennek a területnek akár a dupláját is rögzíthetjük naponta egy Phantom 4 típusú drónnal.

3. ábra – Fényképezés növényállomány számláláshoz DJI Phantom 4 drónnal

Kerülendő dolgok; a leggyakoribb hibák drónfelvételek készítésekor:

  1. A nem megfelelő expozíciós beállítások, valamint a pontatlan időjárás-becslés túl- vagy alulexponálást eredményezhet. A túlexponálás nagyobb probléma, mint az alulexponálás, így ha választanod kell a felhős és a napsütéses beállítások között, és nem vagy biztos a dolgodban, nyugodtan dönthetsz a napsütés mellett.
  2. A túl erős szél vagy a változó időjárási viszonyok homályos képeket eredményezhetnek.
  3. A nem elegendő memória a küldetés kényszerített szüneteltetéséhez vezethet. Egy ~40-50 hektáros földterülethez legyen legalább 64 GB-os memóriakártyád.
  4. Ha nincs elég akkumulátor és/vagy töltő a folyamatos repüléshez. Készülj a megfelelő felszereléssel!
  5. Eső utáni felvételezéshez újrakalibrálásra lehet szükség, mert előfordulhat, hogy a nedves talajon nem látszanak jól a növények. Ezt tartsd szem előtt.
  6. Ha nem a megfelelő elülső/oldalsó átfedéssel történik a felvételezés, az megakadályozhatja a képek összefűzését és az ortomozaik létrehozását. A 75% a legtöbb esetben megfelelő érték.
  7. A túl gyors repülés elmosódott képeket eredményez.
  8. Hiányos logisztika és előkészületek. Bizonyosodj meg róla, hogy megfelelő autóval érkezel, és ismered a tábla megközelítésének módját. Legyen elérhető generátor, amely energiát termel a berendezéseknek, akkumulátortöltő(k)nek és a laptopodnak, és alakíts ki egy árnyékos munkaállomást, ahol dolgozhatsz.
  9. Pontatlan repüléstervezés. Feltétlenül olvasd el a pilótáknak szóló útmutatónkat, vagy kérj tőlünk segítséget.
  10. Repülés előtt ellenőrizd a légteret, ismerd meg és kerüld el az akadályokat, és ügyelj arra, hogy ne repülj látótávolságon kívül, így elkerülheted a drón elvesztését, és a drón sem veszíti el a jelet.
The process of drone footage for precise stand count

4. ábra – A drónfelvételek rögzítésének folyamata pontos tőszámláláshoz

The shape-file of the field built on Proofminder Platform

5. ábra – A tábla shapefile formátumban

Növényállomány-számlálási jelentés és további információk a tábláról

Amennyiben megfogadod a fent említett tanácsokat, sok hasznos adatod és jó minőségű képed lesz a táblád és a növények helyzetének további elemzéséhez. Te, mint termelő mire használhatod az összegyűjtött képeket? Van néhány módszer a manuális elemzésre, ami időigényes és szubjektív. Mesterséges intelligencia használatával ugyanezt a feladatot gyorsan és pontosan tudjuk elvégezni. A mesterséges intelligencia által működtetett platform ortomozaikot generál, automatikus növényállomány-számlálási jelentést készít, és megjelöli a táblán a szemmel nem látható problémákat.

Az alábbi képek bemutatják, hogyan is nézhet ki a tőszámlálás a Proofminder platformon.

A rendszerünk által automatikusan generált jelentésben a következőket fogod látni:

  • Növény- és sorsűrűség;
  • Pontos tőszám;
  • Minden növény pontos koordinátákkal megjelölve a táblán;
  • Fenotípus alapján megkülönböztetett növények, jelen esetben a hibridkukorica hím és nőivarú növényei eltérő színnel jelölve;
  • Nagyítási funkció adott zónák, sorok vagy növények elemzéséhez.
Precision plant stand count of corn

6. ábra – Tőszámlálási jelentés a Proofminder platformon

Plant-level stand count report on the Proofminder platform

7. ábra – A Proofminder platformon található tőszámlálási jelentés növény-szintű nézete

További információk és a platform képességei

  • A kukorica növényállomány számlálása során megfigyeltük, hogy a táblán több növényt is elpusztítottak a vaddisznók;
  • A problémás területek GPS-koordinátákkal jelölhetők;
  • Letölthető shapefile további felhasználáshoz, pl. vetési adatokkal való összehasonlításhoz;
  • Mivel minden növénynek pontos koordinátái vannak, egyéb mérőszámok is kinyerhetőek, mint a növények távolsága, sűrűség, hézagok, sortávolság stb;
  • Hasznos levél- és növényszintű betekintés.

Automatizált állományszámlálás – eredmények és előnyök

  1. A manuális növényállomány-számítási módszerek pontosságát nehéz megbecsülni, de egy dolog világos: csak a tábla kis szegmensein lehet precíz. Ha ezeket a számokat a teljes parcellára alkalmazzuk, nem adnak pontos információt. A drónok és a mesterséges intelligencia technológiái 90-99%-os tőszámlálási pontosságot tudnak biztosítani a termelők számára, és más növény-szintű problémákat is feltárnak.
  2. Ezek a technológiák sokkal pontosabbá, interaktívabbá és áttekinthetőbbé teszik a növényállomány-számlálási folyamatot.
  3. További problémák is felmerültek: több növényt elpusztítottak a vaddisznók.
  4. Lehetőség a tőszámlálási jelentés exportálására és az adatok más gazdálkodási tevékenységekben történő felhasználására.
  5. Lehetőség arra, hogy a legtöbbet hozd ki a drónnal rögzített képekből, és felhasználd ezeket az adatokat, hogy informált döntéseket hozhass és hogy magabiztosabban termelhess többet.

Kérj bemutatót, hogy még többet megtudj a Proofminder-ről

Tegyünk Többet a Földedért Ebben a Szezonban

Tomato ripe detection

10+ felhasználói eset ahol a mesterséges intelligencia és a gépi látás hatékonyan használható a nagyobb hozam eléréséért

10+ felhasználói eset ahol a mesterséges intelligencia és a gépi látás hatékonyan használható a nagyobb hozam eléréséért

Nagy szükség van a terméshozam javítására, és a mesterséges intelligencia ezt gyorsan és hatékonyan teszi, nem csak a laboratóriumokban, hanem valós mezőgazdasági üzemekben is!

Remek példákat gyűjtöttünk össze arra vonatkozóan, hogy az intelligens algoritmusok hogyan segítik a növénytermesztést és növelik a termelők hatékonyságát a szezon folyamán, az ültetés megkezdése előtti időszaktól, a betakarítás utánig. Az összes felsorolt felhasználási esetben vizuális adatokra (lehetőleg drónfotókból) és betanított mesterséges intelligencia modellekre van szükség a problémák megoldásához. Dióhéjban: a drónok által szolgáltatott vizuális adatok a művelet „szemei”, a mesterséges és a gépi tanulási intelligencia pedig az „agy”. Ezek együtt változtatják meg az agráripart, termelékenyebbé és hatékonyabbá téve azt.

Ez a cikk a mesterséges intelligencia alkalmazását fedi le olyan növényeknél és zöldségeknél, mint a gabonafélék, kukorica, szója, búza, cukorrépa és még sok más, de gyümölcsösök, beltéri gazdaságok és az állattenyésztés speciális felhasználási eseteinél is hasznos lehet.

Az AI segítségével mindaz, ami a táblán látható a szezon során, mérhető, becsülhető és javítható.

Mezőgazdasági ciklus

Agriculture cycle

Terméstervezés

1- Öntözés és domborzati elemzés.

Ezeket a részleteket legtöbbször nem lehet pontosan meghatározni emberi szemmel vagy műholdképekkel. A drónképek és a mesterséges intelligencia értékes betekintést enged a gazdáknak, még az első növények megjelenése előtt. A tábla sajátosságainak ismerete segít számos döntés meghozatalában a vetéssel, öntözéssel, bevitellel, stb kapcsolatban.

Definition of production zones

Ültetés

2 – Tőszámlálás és hozambecslés.

Tudd meg a növények pontos számát egy adott területen, és ha az norma vagy a várt eredmények alatt van, tegyél határozott lépéseket. Értékeld a vetőmag minőségét (csírázási arány), döntsd el, hogy újra kell-e ültetni vagy sem, mérd fel a termést, és jelöld ki a potenciális termésveszteség zónáit.

3 – Növénysűrűség.

Mivel mind a magas, mind az alacsony vetéssűrűség csökkenti a termést és az összbevételt, kulcsfontosságú, hogy a lehető leghamarabb megismerjük a tábla helyzetét. A termelők tudják, hogy minden növénynek van egy sűrűsége, amely maximalizálja a terméshozamot. Kezdj erősen!

Precise plant standcount

Termésfigyelés

4 –Vágási dátum/virágzási szakasz észlelése.

Egyes növények és gyümölcsfák pontos vegyszeres ritkítása megköveteli a virágzás intenzitásának becslését és a virágzási csúcsidőpont meghatározását. A drónadatok segítségével az AI számszerűsíti a virágok méretét és számát a műtrágyabevitelhez.

5 – Gyomfelismerés.

A nem megfelelően kezelt gyomnövények akár 100%-os termésveszteséget is eredményezhetnek. A látásfeldolgozás és a gépi tanulási technológia révén a mai mesterséges intelligencia által vezérelt berendezések 80-90%-kal csökkenthetik a gyomirtó szerek felhasználását. Az AI nagy pontossággal képes megkülönböztetni és osztályozni a gyomnövényeket az informált döntések támogatása érdekében.

Weed detection in sunflower

6 – Betegség felismerés.

A kártevők és betegségek évente mintegy 50% terméskiesést okoznak. Az AI technológia segít a növénybetegségek diagnosztizálásában, osztályozásában és jelentősen csökkenti a felhasznált vegyszerek mennyiségét.

7 – Rovarkárok.

Emberileg lehetetlen a rovarkategóriák és a rovarok növekedési periódusának megkülönböztetése rovartani ismeretek nélkül. Az AI számítógépes látás lehetővé teszi a rovarok felismerését és osztályozását. Gyorsan meg tudja határozni egy összetett háttérben elhelyezkedő rovar információit, pontosan megkülönbözteti a hasonló rovarfajokat, és hatékonyan azonosítja ugyanazon rovarfaj különböző fenotípusait azok különböző növekedési periódusaiban. Ez az információ segít csökkenteni az alkalmazott rovarirtó szerek mennyiségét, és intelligens módon felvenni a harcot a kártevőkkel szemben.

8 – Nitrogén analízis.

Ennek a makrotápanyagnak a hiánya közvetlenül befolyásolja a növények egészségét és a terméshozamot. Ha azonban a talajrendszerbe jutó nitrogén meghaladja a növény igényeit, túlzott mennyiségű nitrát kerül a talajvízbe vagy a felszíni vizekbe, ami jelentős környezeti károkat okoz. A multispektrális drónkamerával és az intelligens, betanított algoritmussal lehetőség nyílik arra, hogy tájékozott maradhass, és támogasd a döntéshozatalt a műtrágya mennyiségével és időzítésével kapcsolatban.

9 –Termésfigyelés és növénystressz-elemzés.

Jelentős időt és emberi erőfeszítést igényel az egészséges levélszín, a növények-növekedés és a folyamatosan változó környezeti változók nyomon követése a szezon folyamán. Az AI gépi látása hatékony alternatívát kínál a növekedési szakasz monitorozására, mivel költsége alacsony (a manuális megfigyelésekbe fektetett munkaórákhoz képest), és minimális emberi beavatkozást igényel, ami kevesebb költséges hibát és jobb hozamot eredményez.

10 – Speciális feladatok és minőségellenőrzés.

Példaként – a kukorica vetőmagtermesztésében a címerezés során megmaradt címerek felismerése. Minden címer, amelyet nem távolít el a gép, nem kívánt beporzáshoz és a kukoricamagok genetikai tisztaságának csökkenéséhez vezet. A mesterséges intelligencia már 3 cm-es mérettől képes felismerni a megmaradt címereket, mielőtt azok elkezdenék a beporzást, és így segít megmenteni a teljes tábla hozamát.

Szüret & Utószüret  

11 – Növényméret betakarítási készenléthez.   

A gyakorlatban a termésnövekedési szakaszt továbbra is elsősorban szemrevételezéssel figyelik, ami munka- és időigényes, szubjektív és meglehetős teret enged a hibáknak. Az AI számítógépes látás alkalmazása precíz, olcsóbb alternatívát kínál a kézi megfigyelésekkel szemben. Mostantól könnyebb megtervezni a munkaerőigényt, megjósolni a legjobb betakarítási napot, és akár finomítani is lehet a bevételi előrejelzéseket.  

Tomato ripe check

12 – A fennmaradó növények mérete száma.

Ne hagyj hátra bevételt. Ez a második ellenőrzés és intelligens modell segít azonosítani a megmaradt növények számát és méretét. Végül, de nem utolsósorban – a növényi maradványok számszerűsítésére vonatkozó betekintés segít a további talajkezelési stratégiák kidolgozásában (mint például a takarásban vagy a közvetlen talajművelésben).

Összegzés

A mesterséges intelligencia azonnali betekintést nyújthat a termelőknek a szántóföldjükről, és segít azonosítani azokat a területeket, ahol műtrágyázásra, öntözésre vagy növényvédőszeres kezelésre van szükségük. Az AI technológia az időben történő intézkedésekkel kombinálva lehetővé teszi a termelők számára, hogy csökkentsék a felhasznált műtrágya mennyiségét, hozzájáruljanak az élelmiszertermelés növeléséhez, miközben minimalizálják az erőforrásokat, növelik a hozamot és a profitot, valamint megkönnyítik saját életüket a jelenlegi munkaerőhiányoshelyzetben. Az értékes információk birtokában a termelők jobb döntéseket hozhatnak, újrakalibrálhatják jövőbeli telepítési stratégiájukat, és végül, magabiztosabban termelhetnek többet.

AI use cases in Agroindustry
Detasseling map of hybrid corn field

A mesterséges intelligencia használata a hibrid vetőmag termelésben

Esettanulmány: Innováció a hibrid kukorica vetőmag termelésben

Innováció a hibrid vetőmag termelésben: A címerezés során kihagyott címerek azonosítása a genetikai tisztaság növelésének, költségek csökkentésének és bevételkiesés megelőzésének érdekében.

A hibrid kukorica vetőmag termelés problémái

  • A beltenyésztett nőstény sorokban a kimaradt címerek nagy eséllyel vezethetnek a tábla teljes hozamának elvesztéséhez
  • A többszöri kézi címerezés nagy költségeket jelent
  • A címerezést limitált időnkereten belül és nagy pontossággal kell elvégezni

A KIHÍVÁS

A gépi címerezés mindössze a címerek 85%-át távolítja el, szemben a 99.7%-al, ami a hibrid kukorica esetében szükséges.

A hibrid kukorica vetőmag-termelésben, a címerezés során nem eltávolított címerek nem kívánt beporzáshoz vezethetnek, amely rontja a vetőmagok szükséges genetikai tisztaságát és minőségét, így befolyásolva azok piaci értékét.

MEGOLDÁS

  1. A drón által készített képek feltöltésre kerülnek a Proofminder platformjára 5 különböző tábláról és több kukoricafajtáról gyűjtöttünk adatokat
  2. Tábla vizualizálása. A parcelláról készült ortomozaik automatikusan létrejön a rendszerben
  3. A növényszám magas pontossággalmegállapítható
  4. A hím és a nőstény sorokat a fenológia segítségévelkülönböztetjük meg. A vetésszerkezetet, a sorokat, a sorok közötti távolságot és a különálló növényeket külső- és vetésadatok nélkül azonosítjuk. A hím/nőstény növények megkülönböztetése lehetővé teszi a hímek „figyelmen kívül hagyását” a kihagyott címer azonosítási szakaszában
  5. Elkészül az érthető jelentés. Azonnal hasznosítható információtkapunk kézhez
  6. Megtakarított hozam. Amennyiben az agronómus időben megteszi a megfelelő lépéseket, a címerezés költségét akár 1/3-ával csökkentheti

RÉSZLETEK

Adatgyűjtési Megközelítés:

  • A drón kamerája nem merőlegesen, hanem 60 fokos szögben készít felvételeket – jóval nagyobb terület lesz látható, így a MI betanítása és az adatellenőrzés könnyebbé válik
  • Algoritmusunk a drón helye alapján 5-10 cm-es pontossággal kiszámítja a címer helyét
  • Kereskedelmi forgalomban kapható drónok (DJI Phantom, Matrice 210 v2 + Zenmuse X5S, etc.) ésrepüléstervező szoftver (DJI Ground Station Pro)
  • Drónonként 100 hektár feletti napi lefedettség és feldolgozás lehetséges

Kihagyott címerek azonosítása:

  • A címerek méret szerinti kategorizálása, és előrejelzés (S-XL)
  • A hímnemű címerek kizárása sorazonosító algoritmus használatával
  • Az azonosítás korlátlanul skálázható felhő-alapú erőforrások segítségével – 1 hektár feldolgozása 1 node-on 30 perc alatt
  • A beazonosított címerek a Proofminder alkalmazásban – asztali gépen/táblagépen/mobilon – kerülnek megjelenítésre, és geojson file-ként vagy más térinformatikai formátumba is exportálhatók

Vezesse be a precíziós címerezési folyamatot a gazdaságában

Ne hagyd hogy tábláid hozama áldozatul essen a hiányos címerezésnek

Biztosíts magasabb genetikai tisztaságot vetőmagjaidnak

Csökkentsd a címerezési költségeidet akár 1/3-al a kevesebb munkaórának köszönhetően

VEDD ÁT AZ IRÁNYÍTÁST A CÍMEREZÉS FÖLÖTT

Kérj egy demot, hogy megmutathassuk, miként mentheted meg a hozamod és hogyan javíthatsz a vetőmagjaid minőségén