Thử nghiệm được thực hiện trên lúa trong hai mùa vụ và hình ảnh lúa thu được bằng máy bay không người lái. Nguồn: Plant Phenomics.

Lúa (Oryza sativa) là lương thực chính của nhiều người, nhưng sản xuất lúa gạo bị thách thức bởi biến đổi khí hậu, điều này đòi hỏi cần cải thiện các đặc điểm năng suất như số lượng bông trên một đơn vị diện tích (PNpM2).

Nghiên cứu gần đây đã tập trung vào việc sử dụng khả năng quan sát của máy tính và AI để định lượng PNpM2, với các phương pháp tiếp cận sâu chứng minh hiệu quả trong các thử nghiệm quy mô nhỏ. Tuy nhiên, các kỹ thuật này phải đối mặt với những thách thức về khả năng mở rộng, sự đa dạng giống lúa, và thiếu bộ dữ liệu caajo nhật cả về quy mô và chất lượng. Vượt qua những thách thức này là rất quan trọng để phát triển các công cụ phân tích kiểu hình quy mô lớn, mạnh mẽ để cải thiện sản xuất lúa gạo trong điều kiện khí hậu thay đổi nhanh chóng.

Plant Phenomics đã xuất bản một bài báo về cơ sở dữ liệu/phần mềm có tiêu đề "Đám mây bông lúa Panical-Cloud: Nền tảng điện toán đám mây mở và được hỗ trợ bởi AI xác định lượng lúa từ hình ảnh thu thập bằng máy bay không người lái để đánh giá phân loại năng suất lúa trong sản xuất”.

Nghiên cứu trình bày nền tảng Panicle-Cloud, một tiến bộ đáng kể trong công nghệ nông nghiệp cung cấp giải pháp điện toán đám mây được hỗ trợ bởi AI để định lượng lúa từ hình ảnh thu thập bằng máy bay không người lái. Dự án đầu tiên phát triển một bộ dữ liệu phát hiện lúa đa dạng (DRPD) được ghi nhận trên nền tảng chuyên nghiệp mở và sau đó tích hợp một số  mô hình chuyên sâu (DL) vào nền tảng.

Thông qua một quá trình cải tiến lặp đi lặp lại, mô hình AI Panicle nổi lên như một lựa chọn ưu tiên, thể hiện độ chính xác vượt trội. Để xác định các điều kiện tối ưu, các chuyến bay không người lái ở các độ cao khác nhau vào các giai đoạn tăng trưởng chính đã được phân tích và người ta thấy rằng độ cao 7m trong giai đoạn lúa vào chắc cung cấp kết quả chính xác nhất.

Phân tích tương quan giữa tính điểm có nguồn gốc từ Panicle-AI và đếm thủ công đã xác nhận hiệu quả của mô hình, đặc biệt là ở độ cao 7m, với hệ số tương quan cao (R2 = 0,945). Mô hình Panicle-AI vượt trội hơn 13 mô hình DL hiện đại về độ chính xác. Nền tảng Panicle-Cloud sau đó được thiết kế thân thiện với người dùng, cho phép những người không phải là chuyên gia chọn giống từ các mô hình AI khác nhau để phát hiện giống năng suất bằng giao diện dựa trên web đơn giản.

Người dùng có thể xử lý hình ảnh riêng lẻ hoặc theo lô và nền tảng tối ưu hóa tính toán bằng cách cắt các hình ảnh lớn hơn.

Khả năng của nền tảng để phân loại hiệu suất năng suất dựa trên đặc điểm PNpM2 đã được thử nghiệm trong một thử nghiệm trên cánh đồng lúa trong hai mùa. Sử dụng mô hình máy học có giám sát, cụ thể là thuật toán CatBoost, nền tảng này đã phân loại thành công năng suất lúa trong sản xuất thành các loại thấp, trung bình và cao với độ chính xác tổng thể là 84,03%. Tính năng này cho phép các nhà lai tạo giống lúa sàng lọc và lựa chọn hiệu quả các giống ưa thích dựa trên hiệu suất năng suất dự đoán.

Tóm lại, Panicle-Cloud cho thấy tiềm năng tích hợp AI, điện toán đám mây và công nghệ máy bay không người lái để cách mạng hóa việc nhân giống và trồng lúa. Nền tảng này cải thiện hiệu quả và độ chính xác của việc định lượng các đặc điểm liên quan đến năng suất và làm cho các công cụ kiểu hình tiên tiến dễ tiếp cận hơn với nhiều người dùng hơn, do đó tăng khả năng lựa chọn các giống năng suất cao khi đối mặt với những thách thức về nhu cầu lương thực toàn cầu.

Lê Thị Kim Loan theo Phys.org