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 :  17
 Số lượt truy cập :  35716290
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: 115

[ Tin tức liên quan ]___________________________________________________
  • Bản đồ di truyền và chỉ thị phân tử trong trường hợp gen kháng phổ rộng bệnh đạo ôn của cây lúa, GEN Pi65(t), thông qua kỹ thuật NGS
  • Bản đồ QTL chống chịu mặn của cây lúa thông qua phân tích quần thể phân ly trồng dồn của các dòng con lai tái tổ hợp bằng 50k SNP CHIP
  • Tuần tin khoa học 479 (16-22/05/2016)
  • Áp dụng huỳnh quang để nghiên cứu diễn biến sự chết tế bào cây lúa khi nó bị nhiễm nấm gây bệnh đạo ôn Magnaporthe oryzae
  • Vai trò của phân hữu cơ chế biến trong việc nâng cao năng năng suất và hiệu quả kinh tế cho một số cây ngắn ngày trên đất xám đông Nam Bộ
  • Tuần tin khoa học 475 (18-24/04/2016)
  • Vi nhân giống cây măng tây (Asparagus officinalis L.)
  • Thiết lập cách cải thiện sản lượng sắn
  • Nghiên cứu xây dựng hệ thống dự báo, cảnh báo hạn hán cho Việt Nam với thời hạn đến 3 tháng
  • Liệu thủ phạm chính gây nóng lên toàn cầu có giúp ích được cho cây trồng?
  • Tuần tin khoa học 478 (09-15/05/2016)
  • Sinh vật đơn bào có khả năng học hỏi
  • Côn trùng có thể tìm ra cây nhiễm virus
  • Bản đồ QTL liên quan đến tính trạng nông học thông qua quần thể magic từ các dòng lúa indica được tuyển chọn
  • Nghiên cứu khẳng định số loài sinh vật trên trái đất nhiều hơn số sao trong giải ngân hà chúng ta
  • Cơ chế di truyền và hóa sinh về tính kháng rầy nâu của cây lúa
  • Vật liệu bọc thực phẩm ăn được, bảo quản trái cây tươi hơn 7 ngày mà không cần tủ lạnh
  • Giống đậu nành chống chịu mặn có GEN gmst1 làm giảm sự sinh ra ROS, tăng cường độ nhạy với ABA, và chống chịu STRESS phi sinh học của cây Arabidopsis thaliana
  • Khám phá hệ giác quan cảm nhận độ ẩm không khí ở côn trùng
  • Phương pháp bền vững để phát triển cây lương thực nhờ các hạt nano
Designed & Powered by WEBSO CO.,LTD