Технологията има за цел да се повиши ефективността на отглеждането на култури, да се намали използването на торове и да се увеличат добивите с около една четвърт
Група учени от Държавния изследователски университет в Самара, Русия възнамеряват да предложат на фермерите цифрови системи за „зрение“ за селскостопанска техника, базирани на технологии, които първоначално са били разработени за Космоса.
Системите за космическо зрение традиционно се използват за търсене на признаци на живот на Марс и изследване на други планети в нашата слънчева система. Те са оборудвани с мощна оптика и набор от сензори и са в състояние, наред с други неща, да анализират състава на почвата.
С няколко нововъведения тези „космически очи“ могат да бъдат насочени към оборудване за напояване, зърнокомбайни и друга селскостопанска техника, казаха учените.
Обработка и класификация на хиперспектрални изображения
Катедрата по техническа кибернетика на университета в Самара е проектирала компактен космически хиперспектрометър, който да бъде инсталиран на руските спътници. Той работи върху невронни мрежи за обработка и класификация на хиперспектрални изображения на земната повърхност, получени от орбитата.
Хиперспектралните изображения показват влага и съдържание на минерални вещества в почвата, наличие на растителни болести и дори източници на разпространение на вредители, съобщи пресцентърът.
Наземни хиперспектрални сензори
„Оказа се обаче, че получената хиперспектрална информация от космически кораб не може незабавно да отговори на нуждите на прецизното земеделие, тъй като нейното събиране отнема известно време. Затова се захванахме да разработим наземни хиперспектрални сензори“, обясни Николай Казански, професор в катедрата по техническа кибернетика в Самарския университет.
„Наборът от изисквания към наземните сензори се различава значително от този за хиперспектралното оборудване за космически кораби. В случая на космическите хиперспектрометри основното е да се получат максимално възможните оптични данни, докато за наземните сензори това далеч не е главната задача“, добави той.
По-задълбочен поглед
Учените използват сензорни системи, съчетаващи плоска оптика и елементи с висок микрорелеф, които могат да изпълняват няколко различни задачи, за да получат информация за състоянието на почвата и растенията.
Хиперспектралната камера се превръща в изключително просто устройство, сравнимо по сложност с конвенционалната видеокамера.
Операторът може да анализира данните, но в бъдеще тази задача трябва да се изпълнява от невронни мрежи, които също могат да контролират селскостопанската техника.
Хиперспектрални сензори, използвани за напояване
Ученият предлага например да инсталираме хиперспектралните сензори на напоителната машина. „В края на краищата, хиперспектралното изображение ви позволява да видите много неща, които не могат да се видят от човешкото око в конвенционално черно-бяло или цветно изображение. И сензорът незабавно ще определи дали полето трябва да се напоява или не“, обясни той.
Увеличете добивите с 25%
Тази технология прави селското стопанство „изключително интелигентно“, заявиха учените. Те изчисляват, че чрез инсталирането на новата система само на напоителни машини в Русия земеделските производители ще увеличат добива си с 25%.
Като част от проекта учените обещават да обърнат специално внимание на техническия дизайн на сензорите - така те ще бъдат достатъчно ясни и достатъчно евтини за масово използване в селскостопански машини.
Хиперспектрални сензори на дронове
Очаква се хиперспектрални сензори да бъдат инсталирани не само на наземни превозни средства, но и на безпилотни летателни апарати, за да се оцени незабавно състоянието на големи площи земеделска земя. Държавният аграрен университет в Самара вече е постигнал предварителни споразумения, за да изпробва техните технологии на местните полета.
Четиригодишно проучване
По своя проект учените получиха безвъзмездна помощ за четиригодишно проучване. Те планират да оформят технологията и да въведат алгоритми за реконструкция и анализ на хиперспектралните изображения, използвайки методи за дълбоко обучение на невронни мрежи.
Коментари