로봇 수분 시스템 개발의 중요한 초기 단계인 과수원 나무의 꽃송이 내에서 사과 왕 꽃을 찾고 식별할 수 있는 머신 비전 시스템이 최초의 연구에서 고안되었습니다. .
사과꽃은 가지에 XNUMX~XNUMX개의 꽃이 무리지어 자라며 가운데 꽃이 왕화로 알려져 있습니다. 이 꽃은 클러스터에서 먼저 열리고 보통 가장 큰 열매를 맺습니다. 따라서 농업과 조교수인 Long He 연구원에 따르면 로봇 수분 시스템의 핵심 목표입니다. 생물 공학.
곤충 수분은 전통적으로 사과 생산성에 의존해 왔습니다. 그러나 길들여진 꿀벌과 야생 꽃가루 매개자 모두의 꽃가루받이 서비스가 증가하는 수요를 충족시키지 못한다는 증거가 있다고 그는 지적했습니다. 때문에 식민지 붕괴 장애, 전 세계의 꿀벌은 놀라운 속도로 죽어 가고 있습니다. 결과적으로 생산자는 대체 수분 방법이 필요합니다.
이 연구는 버섯 따기, 사과나무 가지치기, 푸른 과일 솎아내기와 같은 노동 집약적인 농업 작업을 수행하기 위한 로봇 시스템 개발에 전념하는 농업과학대학의 He 연구 그룹이 수행한 최신 연구입니다. 그는 이 프로젝트의 주요 목표는 나무 캐노피에서 왕꽃을 정확하게 식별하고 찾을 수 있는 딥 러닝 기반 비전 시스템을 개발하는 것이라고 설명했습니다.
"우리는 이 결과가 고품질 과일의 수확량을 최대화하기 위해 사과의 효율적이고 재현 가능한 수분으로 이어질 로봇 수분 시스템에 대한 기본 정보를 제공할 것이라고 생각합니다."라고 그는 말했습니다. "펜실베니아에서는 여전히 꿀벌에 의존하여 사과 작물을 수분할 수 있지만, 꿀벌의 폐사가 더 심각한 다른 지역에서는 재배자들이 조만간 이 기술을 필요로 할 수 있습니다."
농업생물공학과 박사과정 학생 무신양이 왕화 연구를 주도했다. Mu는 머신 비전 시스템에서 킹 플라워를 식별하고 찾기 위해 다른 물체에 의해 부분적으로 가려진 물체를 감지하기 위해 픽셀 수준 분할을 수행하는 인기 있는 딥 러닝 컴퓨터 프로그램인 Mask R-CNN을 사용했습니다.
Mask R-CNN 기반 탐지 모델을 구축하기 위해 그는 수백 장의 사과꽃 클러스터 사진을 캡처했습니다. 그런 다음 그는 사과 꽃 이미지의 원시 데이터 세트에서 왕 꽃을 식별하고 찾는 왕 꽃 세분화 알고리즘을 개발했습니다. 이 연구는 Biglerville에 있는 Penn State의 과일 연구 및 확장 센터에서 수행되었습니다.
갈라와 허니크리스프 사과 테스트를 위해 품종을 선택했습니다. 테스트 나무는 2014년에 약 5피트(Gala)와 6 1/2피트(Honeycrisp)의 나무 간격으로 심었습니다. 이 나무들은 평균 높이가 약 13피트인 높은 스핀들 캐노피 구조로 훈련되었습니다. 카메라가 장착된 이미지 수집 시스템은 나무 줄 사이에서 조종되는 다용도 차량에 장착되었습니다.
Mu는 왕꽃을 찾기 위해 머신 비전 시스템을 훈련하는 것이 어려웠다고 지적했습니다. 왕꽃은 클러스터의 측면 꽃과 크기, 색상 및 모양이 동일하고 왕꽃은 일반적으로 중앙 위치 때문에 주변 꽃에 의해 가려지기 때문입니다.
Mask R-CNN 모델 교육을 위한 전이 학습의 요구 사항을 충족하기 위해 원시 이미지에 개별 꽃과 가려진 꽃의 두 가지 미리 정의된 클래스로 레이블을 지정했습니다. 정확도를 높이기 위해 훈련 데이터 세트는 데이터 증강 접근법을 사용하여 XNUMX배로 확대되었다고 Mu는 설명했습니다.
"왕꽃과 옆꽃을 구별하기 위해 각 꽃 무리 내에서 가장 중앙에 있는 꽃을 표적으로 삼았거나 국지화했습니다."라고 그는 말했습니다. “비전 시스템은 XNUMX차원 꽃 밀도 매핑 방식을 기반으로 자동으로 꽃송이를 개별적으로 찾았습니다. 감지된 각 꽃송이 내에서 가장 중앙에 있는 꽃 또는 마스크가 대상 왕화로 결정되었습니다.”
최근 발표된 연구 결과에서 스마트 농업 기술, 연구원들은 Mu의 알고리즘으로 인해 높은 수준의 왕꽃 감지 정확도를 보고했습니다. 왕꽃을 눈으로 식별하는 연구원이 수동으로 수행한 측정(연구원이 지상 진실 측정이라고 함)과 비교했을 때 머신 비전 왕화 감지 정확도는 98.7%에서 65.6%까지 다양했습니다.