До основного змісту

Штучний інтелект

PSUMamba від Penn State розпізнає стрес рослин з точністю 94,47%

Нова архітектура ШІ поєднує спектральні, часові та просторові дані гіперспектральних знімків і потребує приблизно вдесятеро менше обчислень за Vision Transformer.

Дрон летить над зеленим полем, моніторячи стан рослин

Дослідники з Університету штату Пенсильванія (Penn State) розробили модель штучного інтелекту, яка виявляє стрес сільськогосподарських культур за гіперспектральними знімками. Під час тестів на білих печерицях модель, яку назвали PSUMamba, показала середню точність 94,47%. Результати опублікував журнал Scientific Reports, про них пише Phys.org.

Гіперспектральна камера знімає об'єкт у багатьох діапазонах світла, тому фіксує зміни в рослині ще до того, як їх видно оком. Проблема в обсязі даних: обробка таких знімків вимагає багато часу, пам'яті й енергії. Старша авторка дослідження Ширін Гатрєхсамані, доцентка кафедри сільськогосподарської та біологічної інженерії, пояснила, що модель має три окремі шляхи обробки. «Перший шлях аналізує спектральну інформацію, щоб визначити зміни біохімічних властивостей культури, другий вивчає зміни стану культури в часі, а третій аналізує просторові ознаки та закономірності на зображеннях», сказала вона. Усі три результати об'єднують, щоб точніше визначати стрес.

Печериці обрали не випадково: Пенсильванія вирощує 74% білих печериць у Сполучених Штатах, а продажі грибів у країні минулого сезону впали на 16%, до $922 млн, за даними Міністерства сільського господарства США. У теплиці кафедри гриби піддавали трьом видам контрольованого стресу: тепловому удару через занурення у воду за 140 градусів Фаренгейта на 30 секунд, мікрохвильовому опроміненню на 30 секунд і механічним пошкодженням (проколи, стирання, удари). Окрему групу залишили без втручання за тих самих умов.

Модель працювала з 204 смугами світла, зібраними з грибів у восьми часових точках. Крім точності 94,47%, вона показала чутливість 98,98% і AUC-ROC 99,36%, стандартну метрику якості класифікації. На обробку даних і прогноз їй знадобилося приблизно вдесятеро менше обчислювальних операцій, ніж моделі Vision Transformer, з якою її порівнювали. Перший автор дослідження Вейцунь Ван, докторант кафедри, зазначив, що Mamba є різновидом глибокої нейромережі, призначеним ефективно обробляти довгі послідовності даних.

Ван наголосив, що потрібні подальші дослідження, щоб з'ясувати, чи працюватиме модель у реальних польових умовах з іншими культурами. Гатрєхсамані додала, що архітектуру проєктували, щоб виявляти загальні закономірності стресу, тому її можна адаптувати до моніторингу хвороб, посухи, дефіциту поживних речовин і змін якості після збору врожаю. За її словами, раннє виявлення стресу допомагає виробникам ухвалювати обґрунтованіші рішення, скорочувати витрати на ресурси, зменшувати відходи й підвищувати сталість господарства.

Читайте також

Джерела

  • Phys.org: Tested on mushrooms, an AI model shows potential for detecting crop stress with far fewer computations

Фото: Magda Ehlers, Pexels (Pexels License)

Теги: