Chào mừng Quý độc giả đến với trang thông tin điện tử của Viện Khoa học Kỹ thuật Nông nghiệp miền Nam

Tin nổi bật
Thành tích

Huân chương Ðộc lập

- Hạng 1 - Hạng 2 - Hạng 3

Huân chương Lao động

- Hạng 1 - Hạng 2 - Hạng 3

Giải thưởng Nhà nước

- Nghiên cứu dinh dưởng và thức ăn gia súc (2005)

- Nghiên cứu chọn tạo và phát triển giống lúa mới cho xuất khẩu và tiêu dùng nội địa (2005)

Giải thưởng VIFOTEC

- Giống ngô lai đơn V2002 (2003)

- Kỹ thuật ghép cà chua chống bệnh héo rũ vi khuẩn (2005)

- Giống Sắn KM 140 (2010)

 

Trung tâm
Liên kết website
lịch việt
Thư viện ảnh
Video
Thiết lập chuỗi giá trị nông sản thông minh và an toàn tại Việt Nam Cà chua bi

Thống kê truy cập
 Đang trực tuyến :  20
 Số lượt truy cập :  36612243
Mô hình được AI hỗ trợ giúp tăng cường phát hiện đổ ngã lúa để cải thiện kết quả nông nghiệp
Thứ ba, 26-11-2024 | 08:10:00

Vị trí điểm thử nghiệm

Nguồn: Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0182

 

Bằng cách tận dụng kiến ​​trúc mạng nơ-ron tích chập (CNN) tiên tiến và các thuật toán tối ưu hóa thông minh, mô hình được AI hỗ trợ vượt trội hơn đáng kể so với các kỹ thuật thông thường, mang lại độ chính xác cao hơn và giảm chi phí tính toán.

 

Lúa đổ, hiện tượng cây bị cong hoặc đổ do các yếu tố môi trường như gió hoặc mưa, gây ra mối đe dọa đáng kể đến năng suất cây trồng. Nó cản trở quá trình quang hợp, làm phức tạp việc thu hoạch và làm tăng khả năng bị sâu bệnh, cho nên việc theo dõi và dự đoán đổ ngã một cách hiệu quả trở nên rất quan trọng đối với người nông dân và các nhà nghiên cứu.

 

Các phương pháp truyền thống, bao gồm kiểm tra trực quan, mô hình toán học và viễn thám vệ tinh, thường tốn nhiều công sức và không chính xác, thiếu khả năng mở rộng và tính tức thời cần thiết cho đánh giá nông nghiệp trên quy mô lớn.

 

Một nghiên cứu được công bố trên Tạp chí Plant Phenomics có thể hướng dẫn các hành động khắc phục kịp thời, chẳng hạn như điều chỉnh chiến lược tưới tiêu hoặc kiểm soát sâu bệnh, để giảm thiểu mất năng suất tiềm năng.

 

Mô hình AAUConvNeXt, được phát triển thông qua tối ưu hóa đa mục tiêu sử dụng thuật toán AFOA-APM, cung cấp phiên bản nâng cao của kiến ​​trúc CNN UConvNeXt để phân đoạn lúa đổ. Phương pháp nghiên cứu bao gồm tối ưu hóa số kênh trong các lớp tích chập của mô hình để cải thiện hiệu suất và hiệu quả.

 

Không giống như cách tiếp cận thông thường trong đó các kênh tăng hoặc giảm theo một mẫu cố định, mô hình AAUConvNeXt điều chỉnh các kênh một cách chiến lược, tăng chúng ở các lớp đòi hỏi phải học nhiều tính năng trong khi giảm chúng ở các lớp ít quan trọng hơn để cân bằng giữa độ phức tạp và việc sử dụng tài nguyên.

 

Kết quả từ các thí nghiệm mở rộng làm nổi bật tính ưu việt của AAUConvNeXt so với các mô hình hiện có. Kiến trúc được tối ưu hóa đạt được Độ chính xác điểm ảnh (PA) là 96,3%, Độ chính xác điểm ảnh trung bình (MPA) là 96,3% và Giao điểm trung bình trên Liên hợp (mIoU) là 93,2%, vượt trội hơn các mô hình khác như DeepLabV3+ và HRNet.

 

Ngoài ra, AAUConvNeXt còn giảm số lượng tham số và độ phức tạp tính toán xuống 8,66%, giúp tiết kiệm tài nguyên hơn.

 

Khả năng trích xuất đặc điểm tiên tiến của mô hình góp phần nâng cao độ chính xác phân đoạn, đặc biệt là trong việc phân biệt các loại lúa đổ, bao gồm trạng thái đổ hoàn toàn, đổ một phần và không đổ.

 

Các nghiên cứu cắt bỏ đã xác nhận rằng việc kết hợp AFOA với APOM đã cải thiện đáng kể số liệu phân đoạn, với AAUConvNeXt vượt trội hơn so với các phiên bản trước. Hơn nữa, các điều chỉnh kênh mục tiêu đã tối ưu hóa độ phức tạp của mô hình, cho phép học hiệu quả cả các tính năng giai đoạn đầu và đã tinh chỉnh.

 

(A và B) Kiến trúc U-Net với các khối ConvNeXt. Nguồn: Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0182

 

Theo tiến sỹ Xiaobo Sun, một nhà nghiên cứu cao cấp, cho biết: "Bằng cách tích hợp học sâu với tối ưu hóa thông minh, mô hình của chúng tôi cung cấp một công cụ mạnh mẽ để theo dõi tình trạng đổ ngã của cây trồng hiệu quả. Sự tiến bộ này có tiềm năng to lớn trong việc chuyển đổi các hoạt động trồng lúa bằng cách cung cấp các giải pháp kịp thời, đáng tin cậy và tiết kiệm chi phí".

 

Mô hình AAUConvNeXt đại diện cho một bước tiến đáng kể trong công nghệ nông nghiệp, kết hợp học sâu với tối ưu hóa thông minh để theo dõi đổ ngã lúa hiệu quả. Việc tích hợp mô hình này vào các hoạt động canh tác có thể cách mạng hóa việc quản lý cây trồng, mở ra một con đường đầy hứa hẹn để cải thiện năng suất và tính bền vững.

 

Huỳnh Thị Đan Anh theo Phys.org

 

Trở lại      In      Số lần xem: 231

[ Tin tức liên quan ]___________________________________________________
  • Tuần tin khoa học 492 (15-21/08/2016)
  • Sử dụng cây che phủ để loại bỏ chất ô nhiễm khỏi đất canh tác
  • Hấp thu không khí, tạo ra năng lượng
  • Tác động của pH đến năng suất, sự phát triển rễ và hấp thụ dinh dưỡng của cây hồ tiêu (Piper nigrum L.)
  • Sâu bệnh hại ngô chịu ảnh hưởng của khí hậu
  • Phản ứng với stress mặn của lúa (Oryza sativa L.) với sự đa dạng ở giai đoạn lúa trổ đến thu hoạch
  • Ảnh hưởng của ba khoảng cách hàng trên các đặc tính nông học và năng suất của năm giống đậu nành [Glycine max (L.) MERR.] vụ xuân hè 2015 tại tỉnh Vĩnh Long
  • Các phân tử nhỏ giúp tạo ra ngũ cốc thông minh hơn
  • Đánh giá tính thích nghi và ổn định của các dòng/giống Lúa thơm triển vọng ở đồng bằng sông Cửu Long
  • Giải trình hệ gien của bệnh nấm có thể giúp ngăn chặn bệnh hại chuối
  • Một gen tương đồng của cây lúa đối với gen của cây arabidopsis “agd2-like defense1” đóng góp vào tính kháng bệnh đạo ôn do nấm Magnaporthe oryzae
  • Xử lý bùn thải sinh học bằng giun Quế tạo ra sản phẩm phân bón hữu cơ
  • Đồng phân LuxR ký gửi trên cây populus deltoides, kích hoạt sự thể hiện gen đáp ứng với tín hiệu thực vật hoặc những peptides đặc biệt
  • Cây lúa có hiệu quả sử dụng nitơ tốt hơn
  • Khám phá thêm những bí mật về loài hoa hướng dương
  • Nghiên cứu sản xuất và sử dụng chế phẩm từ nấm Lecanicillium spp, để diệt rệp muội (Aphidae) gây hại cây trồng
  • Nghiên cứu thời gian sử dụng thuốc trừ sâu tốt nhất để kiểm soát bệnh vàng lá gân xanh
  • Thuốc bảo vệ thực vật bảo vệ cây trồng như thế nào?
  • Đồng hồ sinh học của nấm: Mục tiêu tiềm năng trong phòng chống bệnh thực vật
  • Đo thời gian lưu trú của nitơ trong đất có thể giúp ích cho nông nghiệp
Designed & Powered by WEBSO CO.,LTD