使用高分辨率成像和人工智能来准确检测草咨询系统 (SAS) 的叶子湿度

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 植物病理学 植物病理学

背景情况:

• 在草种植中精确的疾病管理对于优化产量和减少杀真菌剂的应用至关重要.
• 传统的叶子湿度持续时间 (LWD) 传感器在准确性,可靠性和校准方面存在局限性.
• 菌病,如果病和菌病,受到LWD的显著影响.

研究的目的:

• 开发和验证使用高分辨率成像和深度学习检测叶子湿度的创新算法.
• 与传统方法相比,提高LWD测量的准确性和可靠性.
• 将人工智能驱动的系统集成到草咨询系统 (SAS) 中,以改善疾病风险评估.

主要方法:

• 开发一种使用卷积神经网络 (CNN) 来进行图像分析的新型算法.
• 实施高分辨率成像系统,以捕捉参考板的湿度.
• 美国佛罗里达州多个地点的现场部署,与手动观测对数据的验证.

主要成果:

• 由人工智能驱动的系统在各种环境条件下确定LWD的准确性和可靠性得到了提高.
• 对系统输出与手动LWD观测的成功验证.
• 开发的算法有效地处理高分辨率图像,以量化叶子的湿度.

结论:

• 这种人工智能驱动的叶子湿度检测系统比传统方法有了显著的进步.
• 整合到草咨询系统 (SAS) 提供了有效的疾病管理工具.
• 该研究有望带来经济效益,并通过改进的杀菌剂策略,促进草生产的可持续实践.