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)
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 ]___________________________________________________
|