AI-United » Allgemein » iCassava: das Neuronennetz erkennt Pflanzenkrankheiten aufgrund des Bildes

iCassava: das Neuronennetz erkennt Pflanzenkrankheiten aufgrund des Bildes

Vor kurzer Zeit ist der Wettbewerb iCassava zum Abschluss gekommen. Seine Aufgabe lag darin, ein System zur Erkennung von Krankheiten des Manioks zu entwickeln. Dabei wurden die Bilder der Blätter verwendet. Der Maniok ist die zweitpopulärste Kohlenhydratquelle in Afrika. 

Die Forscher haben einen Wettbewerb ausgetragen, um den Landwirten zu helfen, diese Pflanze anzubauen. Der Wettbewerb wurde von den Wissenschaftlern von Google, the Artificial Intelligence Lab der Makerere University und the National Crops Resources Research Institute in Uganda ausgetragen.

KI-Systeme in Smartphones

Die Idee von iCassava bestand darin, ein vorläufig trainiertes Neuronennetz in den Smartphones der Landwirte (als Anwendung) zu implementieren. Dadurch würde die Anstrengungen der Landwirte zur Erkennung der gefahrenträchtigen Pflanzenkrankheiten minimiert.

Die Beschreibung der Aufgabe

Der Datensatz bestand aus den markierten Pflanzenbildern. Es gab 5 Klassen. Manche Bilder enthielten eine gesunde Pflanze. Die anderen 4 Klassen enthielten die Bilder von kranken Pflanzen. Zu diesen Krankheiten gehören Brown Steak Disease (CBSD), die Mosaikkrankheit (CMD), die Bakteriose (CBB) und die Grüne Milbe (CGM).

Die Daten wurden mit Hilfe von Crowdsourcing von den Kameras verschiedener Smartphones aus verschiedenen Sichtwinkeln, mit unterschiedlicher Beleuchtung gesammelt. Aus diesem Grund muss das Neuronennetz gegenüber der technischen Unterschiede der Bilder stabil sein.

Die Bilder im Datensatz werden in 5 Klassen unterteilt: gesunde Pflanzen (a) und die Pflanzen, die an 4 Arten der Krankheiten leiden (b-e)

Resultate und nächste Schritte

Die Präzision der drei besten Wettbewerbslösungen lag bei 93%. Die beste Lösung verwendete einen zusätzlichen Block der nicht markierten Bilder zum Trainieren des Modells. Alle 3 Lösungen basierten auf ResNet.

Die Wissenschaftler haben vor, den Bilddatensatz in der Folgezeit zu erweitern. Sie planen auch die Aufgabe der Vorhersage des Stadiums der Krankheit in den Wettbewerb einzuführen.

Quelle
AI-United-Redaktion

Kommentar hinzufügen

Your email address will not be published. Required fields are marked *

300-101   400-101   300-320   300-070   300-206   200-310   300-135   300-208   810-403   400-050   640-916   642-997   300-209   400-201   200-355   352-001   642-999   350-080   MB2-712   400-051   C2150-606   1Z0-434   1Z0-146   C2090-919   C9560-655   642-64   100-101   CQE   CSSLP   200-125   210-060   210-065   210-260   220-801   220-802   220-901   220-902   2V0-620   2V0-621   2V0-621D   300-075   300-115   AWS-SYSOPS   640-692   640-911   1Z0-144   1z0-434   1Z0-803   1Z0-804   000-089   000-105   70-246   70-270   70-346   70-347   70-410