La inteligencia artificial y los drones ayudarán a identificar el borscht de Sosnowski

Los científicos de Skoltech han desarrollado un nuevo sistema de monitoreo para aplicaciones agrícolas que realiza una segmentación de imágenes en tiempo real a bordo de drones para identificar el borscht. La investigación fue publicada en una prestigiosa revista, Transacciones IEEE en computadoras.

El borscht de Sosnowski es igualmente peligroso para la agricultura, los ecosistemas locales y la salud humana. El contacto directo con la piel humana, especialmente agravado por la exposición al sol, provoca quemaduras graves que requieren atención médica constante y tardan semanas en sanar. La propagación desenfrenada del borscht de Sosnowski se ha convertido en una verdadera catástrofe ecológica que se extiende por toda Rusia, desde su parte central hasta Siberia y desde Karelia hasta el Cáucaso. Cada año, el gobierno asigna enormes presupuestos (el año pasado 350 millones de rublos solo a Moscú) para eliminar el borscht. Eliminar la planta venenosa se ha convertido en uno de los mayores desafíos para la agricultura, el medio ambiente y la salud de Rusia.

El hogweed se planeó para ser utilizado como cultivo forrajero a mediados del siglo XX, dado su rápido crecimiento, bajos requisitos de mantenimiento y rápida propagación. Sin embargo, rápidamente resultó que el borscht no era adecuado para la alimentación animal, y sus propiedades naturales únicas eran más un problema que una ventaja. Una planta puede producir hasta 100.000 semillas por año, que son fácilmente arrastradas por el viento. Esto significa que una sola planta dejada accidentalmente hace que la operación de limpieza sea completamente inútil.

La ubicación precisa en tiempo real del borscht fue el primer problema al que se enfrentaron los científicos del Centro de Ciencia e Ingeniería Computacional e Intensiva de Datos (CDISE) de Skoltech cuando comenzaron a desarrollar una plataforma de monitoreo hace dos años. “Los métodos de monitoreo convencionales no son lo suficientemente efectivos ya que las observaciones desde tierra dependen en gran medida del factor humano, mientras que la teledetección espacial solo puede detectar grandes matorrales. Las imágenes de satélite no tienen suficiente resolución para distinguir entre plantas individuales. Además, el monitoreo tradicional depende en gran medida del clima. y períodos de re-visita para satélite y por lo tanto no puede proporcionar información actualizada ”, autor principal y Dr. Skoltech. explica el graduado Alexander Menshchikov.

Los científicos optaron por utilizar drones que son capaces de capturar imágenes actuales de alta resolución de borscht incluso en tiempo nublado, y optaron por recopilar y procesar datos de vuelo a bordo. drones en lugar del esquema clásico de “captura de datos – ortofotomapa – análisis de datos”. “Aunque el enfoque tradicional proporciona información completa sobre el área, es casi tan eficiente como el procesamiento de datos a bordo con segmentación para un tipo de instalación, es decir, Sosnowski’s Borscht. Además, en el método tradicional, el grapado y el análisis de imágenes posteriores al vuelo requieren que el procesamiento en vuelo genere datos en tiempo real que se envíen inmediatamente a la estación base para que la limpieza del área objetivo pueda comenzar antes de que aterrice el dron ”, agrega Alexander. .

La nueva solución de monitoreo utiliza un dron y una computadora de a bordo compacta que admite algoritmos de segmentación “pesados” basados ​​en redes neuronales totalmente convolucionales (FCNN) que pueden identificar un objeto de forma irregular (en este caso, Sosnovsky’s Borsch) píxel a píxel. Esto ayudará a distinguir plantas individuales y aumentará las posibilidades de matar todas las malezas en el área seleccionada.

La ejecución de FCNN en hardware de bajo consumo, como las computadoras de placa única (SBC), fue un gran obstáculo para el proyecto. Dado que solo hay un número limitado de computadoras que tienen suficientes recursos y CPU para admitir FCNN, los investigadores tuvieron que encontrar la arquitectura SBC adecuada y optimizar FCNN para que se ejecute en la versión de hardware elegida.

“Elegimos las arquitecturas populares UNet, SegNet y ResNet para nuestras redes neuronales y las adaptamos al SBC. Instalamos y probamos en vuelo nuestro sistema de monitoreo a bordo del dron, que en 40 minutos cubrió un área de hasta 28 hectáreas, volando a una altitud de 10 m. Y no se perdió una sola maleza ”- comenta el profesor asistente Skoltech y el director de proyectos Andrey Somov.

“Nuestro sistema muestra un aumento múltiple en el rendimiento de la localización, a pesar de que procesa imágenes 4K a una velocidad lenta de 0,7 fps”, añade Andrey.

El nuevo enfoque es muy prometedor para la agricultura: se puede usar para monitorear otros cultivos, identificar varios índices vegetativos, evaluar la salud de las plantas y detectar enfermedades de las plantas usando imágenes multiespectrales.