Расширенное глубокое обучение и снимки с БПЛА повышают точность ведения сельского хозяйства для обеспечения продовольственной безопасности в будущем📈
Исследовательская группа изучила эффективность AlexNet, усовершенствованной сверхточной нейронной сети (CNN), для автоматической классификации сельскохозяйственных культур с использованием аэрофотоснимков с БПЛА высокого разрешения. Их результаты показали, что AlexNet неизменно превосходит обычные сверхточные нейронные сети. В этом исследовании подчеркивается потенциал интеграции глубокого обучения с данными БПЛА для улучшения точного земледелия, подчеркивается важность методов ранней остановки для предотвращения переоснащения и предлагается дальнейшая оптимизация для более широких приложений классификации сельскохозяйственных культур.
По прогнозам, к 2030 году рост населения планеты достигнет 9 миллиардов человек, что значительно увеличит спрос на продовольствие. В настоящее время стихийные бедствия и изменение климата являются основными угрозами продовольственной безопасности, требующими своевременной и точной классификации сельскохозяйственных культур для поддержания достаточного производства продовольствия. Несмотря на достижения в области дистанционного зондирования и машинного обучения для классификации сельскохозяйственных культур, проблемы остаются, такие как зависимость от экспертных знаний и потеря информации.
В этом исследовании, публикованном в журнале Technology in Agronomy 28 мая 2024 года, были использованы модели AlexNet и обычные CNN для оценки эффективности классификации сельскохозяйственных культур с использованием снимков с БПЛА высокого разрешения. Обе модели были обучены с использованием гиперпараметров, включающих 30-60 эпох, скорость обучения 0,0001 и размер пакета 32. AlexNet с 8-слойной глубиной достиг точности обучения 99,25% и точности валидации 71,81% за 50 эпох, демонстрируя свою превосходную производительность. И наоборот, 5-слойная модель CNN достигла максимальной точности обучения 62,83% и точности валидации 46,98% за 60 эпох. Производительность AlexNet немного снизилась на 60 этапах из-за переоснащения, что подчеркивает необходимость механизмов ранней остановки.
☑️Результаты показывают, что, хотя обе модели улучшаются с течением времени, AlexNet неизменно превосходит обычную CNN, особенно в обработке сложных наборов данных и поддержании высокого уровня точности. AlexNet лучше подходит для точной и эффективной классификации сельскохозяйственных культур в точном земледелии, хотя необходимо соблюдать осторожность, чтобы избежать переобучения при длительном обучении.
Это исследование демонстрирует эффективность объединения снимков с ИИ и БПЛА для точного земледелия. AlexNet значительно превзошел традиционный CNN в классификации сельскохозяйственных культур. Будущие исследования будут сосредоточены на расширении возможностей AlexNet, оптимизации предварительной обработки и уточнении гиперпараметров для дальнейшего повышения точности классификации сельскохозяйственных культур и поддержки глобальных усилий по обеспечению продовольственной безопасности.