人工智能驱动的种子混合物营养评估增强可持续农业实践

发布时间：2024-01-18 17:21:53 栏目：精选知识

导读 为当地牧场种植种子混合物是一种古老的方法，可以生产具有成本效益且均衡的动物饲料，根据不断变化的欧洲法规和有机消费者的需求，增强农业

为当地牧场种植种子混合物是一种古老的方法，可以生产具有成本效益且均衡的动物饲料，根据不断变化的欧洲法规和有机消费者的需求，增强农业自主性和环境友好性。尽管它有好处，但由于谷物和豆类的异步成熟以及评估异种种子的营养价值的困难，农民在采用时面临挑战。目前的做法依赖于非正式的经验方法，建议的解决方案是开发类似于 Pl@ntNet 的移动应用程序或在线服务，用于种子混合物的自动营养评估，鼓励农民参与和丰富数据库。然而，这需要克服农业和计算机视觉挑战。克服这些问题，以及优化深度神经网络模型和损失函数，仍然是使这种可持续农业实践更容易获得和更高效的关键研究重点。



2023年11月，Plant Phenomics 发表了题为“ Estimating Compositions and Nutritional Values of Seed Mixes Based on Vision Transformers ”的研究文章。

这项研究提出了一种利用人工智能来估计收获的种子混合物的营养价值的新方法，旨在帮助农民管理作物产量并促进可持续种植。创建了涵盖 11 个种子品种的 4,749 张图像的数据集，用于训练两个深度学习模型：卷积神经网络 (CNN) 和视觉变换器 (ViT)。结果明显有利于基于 ViT 的 BeiT 模型，该模型在所有指标上都优于 CNN，包括仅 0.0383 的平均绝对误差 (MAE) 和 0.91 的决定系数 ( R 2 )。数据增强技术和模型大小变化进一步提高了性能。尽管较大的模型提供了一些改进，但事实证明，BeiT 的基本版本在性能和计算资源之间的平衡方面是最有效的。该研究还探索了损失函数，发现经典的 KLDiv 损失优于 Sparsemax 变体。按种子类型进行的详细分析揭示了不同类别的不同表现，模型通常在识别大麦、羽扇豆、黑麦、斯佩耳特小麦和小麦方面表现出色，但在识别野豌豆和燕麦方面却面临挑战。聚合来自同一组合的多个图像的预测显着提高了鲁棒性和准确性。该研究最终开发了“ESTI'METEIL”(https://c4c.inria.fr/carpeso/)，这是一个开放访问的网络组件，允许用户从图像中估计种子成分和营养价值。该工具展示了该研究在现实世界农业场景中的实际应用和潜力。

总之，该研究有效地将先进的深度学习技术，特别是自监督 BeiT 模型，应用于估计种子混合物的成分及其营养价值的农业挑战。该研究不仅显示出具有高R 2 分数的有希望的结果，而且还为农民提供了实用工具，标志着朝着更加可持续和知情的农业实践迈出了重要一步。未来的工作将致力于改善数据平衡并探索合成图像生成，以进一步提高模型性能和实际适用性。