Подсчёт винограда по гиперспектральным данным для оценки урожайности
Точная оценка объёма урожая, формирующегося на поле, позволяет сельскохозяйственным производителям:
- Корректировать распределение ресурсов;
- Точнее планировать поставки, логистику и денежные потоки;
- Повышать рентабельность хозяйства.
В виноградарстве корректная оценка урожайности помогает улучшать качество ягод и управлять развитием растений. Зная фактическое количество винограда на участке, специалисты могут обоснованно планировать обрезку, полив и внесение питательных веществ, не полагаясь только на визуальную оценку.
Недостатки существующих методов оценки урожайности
Многие традиционные методы дают лишь приблизительную оценку урожая. Они часто основаны исключительно на опыте фермера либо требуют трудоёмкого ручного отбора проб в разных частях виноградника, но даже в этом случае предоставляют ограниченные результаты.
Более совершенный подход основан на дистанционном зондировании с помощью стандартных RGB- или мультиспектральных камер. Камеры устанавливают на воздушные суда, беспилотные летательные аппараты или наземные платформы, получают изображения посевов и применяют углублённые методы анализа для более точной оценки общего объёма урожая.
Для обработки изображений с БПЛА используются сложные алгоритмы компьютерного зрения. Однако их возможности ограничивает перекрытие гроздей листьями: при съёмке сверху система не всегда может достоверно определить объём урожая. Эту проблему частично решают наземные системы, которые снимают лозы сбоку вдоль рядов.
Подсчёт винограда с помощью полевой гиперспектральной съёмки
Переход от RGB- или мультиспектральных камер к гиперспектральным системам способен повысить точность алгоритмов подсчёта винограда, одновременно упростив задачу и снизив необходимые вычислительные затраты.
Чтобы продемонстрировать практическую применимость полевого гиперспектрального подсчёта винограда, Living Optics провела исследование совместно с виноградником JoJo’s Vineyard в Расселс-Уотер, графство Оксфордшир. Серия измерений выполнялась с мая по октябрь 2024 года, в том числе незадолго до сбора урожая.
Для съёмки адаптированный комплект Living Optics Development Kit закрепили на рюкзаке. Приёмник GPS был подключён к периферийному вычислительному устройству для регистрации координат измерений по всей территории виноградника.
Белый эталон установили на телескопической штанге так, чтобы он попадал в поле зрения камеры. Эталон использовался для преобразования выходных данных камеры из спектральной яркости в коэффициент спектрального отражения.
Измерения проводила команда из двух человек: один оператор управлял камерой Living Optics, второй контролировал условия экспозиции, включая освещение, и отслеживал координаты по GPS.
Рисунок 1 – Полевая система регистрации данных: а – камера Living Optics на моноподе; б – рюкзак с GPS-приёмником BU-35; в – комплект Living Optics Development Kit; г – телескопическая штанга с белым эталоном. Масса всей системы составляет около 8 кг
Количественная оценка виноградных гроздей по гиперспектральным данным
При обработке гиперспектральных наборов данных Living Optics сначала выделяли эталонные спектры винограда и фона. Затем для автоматического обнаружения гроздей применяли классификатор на основе алгоритма случайного леса.
Чтобы сформировать спектральную маску обнаружения, алгоритм машинного обучения относил каждый зарегистрированный в изображении спектр к одному из двух классов: «виноград» или «фон». Затем каждый кадр сегментировали, получая набор отдельных частей изображения.
Рисунок 2 – Обнаружение виноградных гроздей: слева – спектральная маска, выделяющая области с характерным спектральным откликом винограда; справа – результат сегментации и классификации гроздей, отмеченных голубыми контурами и точками
Перспективы гиперспектральной оценки урожайности
Благодаря высокой информативности гиперспектральных кадров для обучения классификатора случайного леса потребовался небольшой набор данных: 13 размеченных изображений, содержащих в общей сложности 60 размеченных виноградных гроздей. Точность классификатора составила 94,78 %.
Высокое спектральное разрешение упрощает распознавание винограда и повышает точность по сравнению с ранее применявшимися методами. Владелец виноградника отметил, что возможности Living Optics Development Kit по подсчёту гроздей могут принести хозяйству коммерческую пользу за счёт более точного прогнозирования урожая и улучшенного управления растениями.
Дальнейшие работы будут направлены на совершенствование гиперспектрального анализа полевых измерений. В частности, необходимо учитывать неплоское и неоднородное освещение при нормализации данных по белому эталону.
Из-за полупрозрачности растительных тканей регистрируемый сигнал представляет собой сочетание света, отражённого или обратно рассеянного поверхностью, и света, прошедшего через ткани. Тем не менее при базовой стабильности освещения и геометрии съёмки могут быть разработаны алгоритмы, учитывающие эти эффекты.
В перспективе фермер сможет зарегистрировать изображения виноградных гроздей гиперспектральной камерой и передать данные алгоритму компьютерного зрения, чтобы быстро получить точную оценку урожайности.
Источник изображений и материалов: Living Optics, “Counting Grapes with Hyperspectral Data for Crop Yield Estimates”. Материал опубликован Living Optics; перевод подготовлен для русскоязычной публикации.
