Isang machine vision system na may kakayahang hanapin at kilalanin ang mga apple king na bulaklak sa loob ng mga kumpol ng mga bulaklak sa mga puno sa mga halamanan ay ginawa ng mga mananaliksik ng Penn State—isang kritikal na maagang hakbang sa pagbuo ng isang robotic pollination system—sa isang first-of-its-kind study .
Ang mga bulaklak ng mansanas ay lumalaki sa mga grupo ng apat hanggang anim na bulaklak na nakakabit sa mga sanga, at ang gitnang bulaklak ay kilala bilang ang king flower. Ang bulaklak na ito ay unang nagbubukas sa kumpol at kadalasang lumalaki ang pinakamalaking prutas. Kaya, ito ang pangunahing target ng isang robotic pollination system, ayon sa researcher na si Long He, assistant professor ng agrikultura at biological engineering.
Ang polinasyon ng insekto ay tradisyonal na umaasa para sa pagiging produktibo ng mansanas. Gayunpaman, ang ebidensiya ay nagmumungkahi na ang mga serbisyo ng polinasyon, parehong mula sa mga domesticated honeybees at wild pollinator, ay hindi tumutugma sa pagtaas ng mga pangangailangan, sinabi niya. Dahil sa colony collapse disorder, ang mga pulot-pukyutan sa buong mundo ay namamatay sa nakababahala na mga rate. Bilang resulta, kailangan ng mga producer ng mga alternatibong paraan ng polinasyon.
Ang pag-aaral na ito ay ang pinakahuling isinagawa ng pangkat ng pananaliksik ni He sa College of Agricultural Sciences, na nakatuon sa pagbuo ng mga robotic system upang magawa ang mga gawaing pang-agrikultura na masinsinan sa paggawa tulad ng pagpili ng kabute, pagpuputol ng puno ng mansanas at pagnipis ng berdeng prutas. Ang pangunahing layunin ng proyektong ito, ipinaliwanag niya, ay upang bumuo ng isang malalim na sistema ng pangitain na nakabatay sa pagkatuto na maaaring tiyak na makilala at mahanap ang mga king bulaklak sa mga canopy ng puno.
"Sa tingin namin, ang resultang ito ay magbibigay ng baseline na impormasyon para sa isang robotic pollination system, na hahantong sa mahusay at reproducible pollination ng mga mansanas upang mapakinabangan ang ani ng mga de-kalidad na prutas," He said. "Sa Pennsylvania, maaari pa rin tayong umasa sa mga bubuyog upang mag-pollinate ng mga pananim ng mansanas, ngunit sa ibang mga rehiyon kung saan mas malala ang pagkamatay ng mga bubuyog, maaaring kailanganin ng mga grower ang teknolohiyang ito nang mas maaga kaysa sa huli."
Si Xinyang Mu, doctoral student sa Department of Agricultural Biological Engineering, ang nanguna sa king flower study. Ginamit ni Mu ang Mask R-CNN—isang sikat na deep-learning na computer program na nagsasagawa ng pixel-level segmentation para makita ang mga bagay na bahagyang natatakpan ng iba pang mga bagay—upang tukuyin at hanapin ang mga king bulaklak sa isang machine vision system.
Para bumuo ng Mask R-CNN-based detection model, nakunan niya ang daan-daang larawan ng kumpol ng apple blossom. Pagkatapos ay bumuo siya ng king flower segmentation algorithm upang matukoy at hanapin ang mga king bulaklak mula sa raw na dataset ng mga larawan ng apple flower. Ang pananaliksik ay isinagawa sa Fruit Research and Extension Center ng Penn State, Biglerville.
Gala at Honeycrisp mansanas ang mga varieties ay pinili para sa mga pagsubok. Ang mga test tree ay itinanim noong 2014 na may tree spacing na mga 5 feet (Gala) at 6 1/2 feet (Honeycrisp). Ang mga punong ito ay sinanay sa tall spindle canopy architecture, na may average na taas na humigit-kumulang 13 talampakan. Ang image-acquisition system na may camera ay naka-mount sa isang utility vehicle na minaniobra sa pagitan ng mga hilera ng puno.
Ang pagsasanay sa sistema ng pangitain ng makina upang mahanap ang mga king bulaklak ay mahirap, itinuro ni Mu, dahil ang mga ito ay kapareho ng laki, kulay at hugis ng mga lateral blossoms sa mga kumpol, at ang mga king bulaklak ay karaniwang natatakpan ng mga nakapalibot na bulaklak dahil sa kanilang gitnang posisyon.
Para matupad ang mga kinakailangan ng transfer learning para sa Mask R-CNN model training, ang mga raw na larawan ay nilagyan ng label sa dalawang paunang natukoy na klase: mga indibidwal na bulaklak at mga naka-occluded na bulaklak. Upang mapahusay ang katumpakan, ang dataset ng pagsasanay ay pinalaki ng apat na beses gamit ang mga diskarte sa pagpapalaki ng data, ipinaliwanag ni Mu.
"Upang makilala ang king bulaklak mula sa mga lateral na bulaklak, ang pinakasentro ng bulaklak sa loob ng bawat kumpol ng bulaklak ay na-target, o naisalokal," sabi niya. "Awtomatikong matatagpuan ng sistema ng paningin ang mga kumpol ng bulaklak nang hiwalay batay sa isang two-dimensional na diskarte sa pagmamapa ng density ng bulaklak. Sa loob ng bawat nakitang kumpol ng bulaklak, ang bulaklak—o ang maskara—sa pinakagitnang posisyon ay tinutukoy bilang target na king flower."
Sa mga natuklasan kamakailan na inilathala sa Matalinong Teknolohiyang Pang-agrikultura, ang mga mananaliksik ay nag-ulat ng isang mataas na antas ng king flower-detection na katumpakan na nagreresulta mula sa algorithm ni Mu. Kung ikukumpara sa mga sukat na kinunan ng mano-mano ng mga mananaliksik na kinikilala ang mga king bulaklak sa pamamagitan ng mata—na tinatawag na ground truth measurements ng mga mananaliksik—ang machine vision king flower detection accuracy ay nag-iba mula 98.7% hanggang 65.6%.