俄亥俄州立大学的研究人员结合使用无人机和机器学习技术，最近开发了一种确定作物健康状况的新方法，并用它创造了一种可以帮助未来农民的新工具。

该研究发表在《农业计算机和电子学》杂志上，研究使用神经网络来帮助表征作物落叶或植物叶子的广泛损失。这种破坏可能是由疾病、压力、放牧动物以及昆虫和其他害虫的侵扰引起的。

如果任其发展，整个农田都可能遭到破坏，从而大大降低整个地区的农业生产力。为了解决这个问题，研究人员选择分析一种被认为是全球农业四大主食之一的经济作物：大豆。

2020年8月至9月期间，该研究的主要作者、俄亥俄州立大学计算机科学与工程专业的研究生张梓晨使用无人驾驶飞行器(UAV)或无人机拍摄了五个大豆田的航拍图像在俄亥俄州。在将每张无人机图像裁剪成更小的图像后，该团队最终拥有了97,000多张照片，他们可以将这些照片标记为健康或落叶。

“大豆是美国最重要的农产品之一，无论是出口还是其他食品，”他说。根据美国农业部的数据，美国是世界领先的大豆生产国和第二大出口国。然而，国内农民正在竞相满足需求：去年，预计将种植超过9000万英亩的大豆作物以满足消费者的需求。

由于大豆是世界许多地区的重要油、食物和蛋白质来源，美国大豆产量的潜在下降可能会产生深远的影响。但张的研究是最早使用非侵入性技术来表征大规模作物健康的研究之一，它可以帮助评估因落叶而导致产量下降的可能性。

“大豆落叶是一个非常典型的问题，但这是我们可以解决的问题，”张说。

在手动筛选收集的图像后，研究人员发现大约67,000个可以标记为健康，而近30,000个显示出不同的落叶迹象，比例大于2:1。然后，他们使用该数据集比较了多种学习算法推断哪些作物被正确脱叶的能力，并避免对健康的大豆作物做出错误假设。

但在得出结论，没有一个学习分类器可以提供他们想要达到的精度后，研究人员决定从头开始创建他们的深度学习工具。这个最终产品被称为Defonet，一个能够正确调查和回答研究的原始落叶查询的神经网络。“这种新架构是针对这种工作负载量身定制的，”张说。“它在准确性、精确度和功效方面比目前可用的工具具有更好的性能。”

研究合著者、计算机科学与工程副教授克里斯托弗·斯图尔特(ChristopherStewart)表示，如果在该领域采用，Defonet可能会改变农业行业应对严重作物损失的决策过程。

“未来几年，我们将不得不大幅增加粮食产量以满足需求，”斯图尔特说。“数字农业背后的理念是利用计算机科学和其他技术来确保每颗播种的种子都尽可能有效地生长。”