Micasense Dual – уникальное и интересное решение, которое расширяет инструментарий и помогает решить новые задачи связанные со спектральной съемкой.
Одна из таких задач – классификация объектов на поле. Нехватка квалифицированных специалистов и большие площади, не позволяют детально изучить поле и понять, как распространяется тот или иной вредоносный объект (ВО) в агроценозе. С помощью Micasense Dual подобный анализ становится возможен.
Для того чтобы это доказать на базе РГАУ-МСХА имени К.А. Тимирязева мы провели опыт по классификации сорной растительности и болезней. Первый этап опыта проводился на полях Центра точного земледелия, который представляет собой четырехпольный севооборот с разной обработкой почвы: вспашка, минимальная обработка, нулевая обработка.
С группой экспертов с кафедры защиты растений и земледелия и методики опытного дела перед полетом был сделан небольшой обход полей и установлены калибровочные площадки, которые исследовались на предмет наличия ВО. Болезни смотрели на озимой пшенице, которая находилась в стадии кущение – выход в трубку, чаще всего встречалась бурая ржавчина и мучнистая роса, сорную растительность отмечали на всех участках. Среди сорняков были отмечены мятлик однолетний, осот полевой, одуванчик лекарственный, а также фиалка полевая и несколько других видов. На нулевой обработке почвы наблюдалось сильное засорение посевов, что позволило выбрать калибровочные площадки со всеми встречаемыми сорняками.
Калибровочные площадки устанавливались для того, чтобы идентифицировать данные точки с воздуха и получить области интереса (примеры) для обучения нейронной сети. Все площадки были описаны экспертами и сфотографированы для того, чтобы в дальнейшем программисты могли отмечать пиксели выбранных объектов. Разрешение съемки составило 3,87 см/пиксель, его хватает для классификации объектов с помощью нейронной сети, т.к. анализируется коэффициент спектральной яркости, но для обучения требуются снимки более высокого разрешения, поэтому были сделаны дополнительные кадры каждой площадки с земли.
На данный момент мы подготовили все данные для работы программистов и начинаем работать над алгоритмом распознавания. Следите за результатом опыта в наших следующих публикациях.