用无人机检测链格孢

无人机可以帮助马铃薯种植者快速检测链格孢。 农业、渔业和食品研究所 (ILVO) 的 Ruben van de Vijver 在比利时马铃薯博览会 Interpom 上表示了这一点。

一段时间以来，ILVO 一直在试验用传感器、无人机和人工智能检测链格孢。 “我们试图通过无人机向种植者提供更多信息、更好的概览，”研究人员说。 他补充说，人工智能不会完全取代种植者的专业知识。

早期

真菌污渍也可以通过无人机快速检测到。 “无人机上的传感器有助于尽早在现场发现疾病，”Van de Vijver 说。 “多亏了人工智能，你已经可以在一种植物上看到真菌病害。 这比种植者看到的要快得多，他通常只在大面积感染时才能看到。 重要的是要在植物中杀死这种疾病，越早发现它，就越能限制其影响。 由于这种早期检测，种植者可以通过有针对性的喷洒和有限的环境和经济影响进行有效干预。”

结果通过平板电脑

借助这项技术，可耕种的农民可以通过平板电脑获得更多信息和疾病在田间何处发生的概览。 目的是让他可以喷得更少，更精确。 “种植者可以跳过喷洒或推迟几天喷洒。 根据天气情况，喷洒马铃薯 10 到 18 次。 如果你能推迟两天喷药，那就意味着巨大的利润。”

自动检测由以下原因引起的早疫病 Alternaria solani 这可能有助于大幅减少植物保护剂的使用量及其造成的产量损失。我们构建并校准了一个近场传感平台，用于获取田间高分辨率高光谱图像，并利用该平台精确绘制了链格孢菌病斑分布图。我们获取了32株感染茄链格孢菌（A. solani）的马铃薯植株和32株健康对照植株的高分辨率冠层反射率图像。

光谱分类器 偏最小二乘判别分析 (PLS-DA) 和支持 vector 测试了基于 PCA 分数的 SVM 机器来区分受影响和未受影响的像素。两种光谱分类器在像素级上表现良好，准确度均高于 0.92。近红外区域 (750 nm) 被确定为光谱中检测病变最具鉴别性的部分。由于疾病压力通常表示为单位面积的病变数量，因此也在此级别评估了准确性。

这表明在叶子边缘和叶腋处有相当多的错误检测。 因此，基于有关链格孢病灶形状的专家知识设计决策树，并用于对分类图像进行后处理。 这减少了错误检测的数量，将精度从 0.17 增加到 0.22，代价是召回率从 0.88 减少到 0.84。 这为对象级别的分类精度留下了相当大的改进空间。 我们了解到 (1) 很少的宽波长就足够了，(2) 空间背景对于检测由链格孢属感染引起的病变至关重要。

应用更强大的对象分类技术，如卷积神经网络，通过在分类器中有效地封装空间上下文来增强模型性能，可能会进一步提高检测性能。 这可能为基于无人机或拖拉机的链格孢制图铺平道路。

/聪明的