AgriVision 人工智能技术检测水稻叶枯病

关键要点

  • 跨学科学生团队开发了 AgriVision,利用 AI 和 LoRa 技术检测水稻叶枯病和稻瘟病。
  • 在 Boyolali 进行的实地测试准确率达到 97.5%,在 80 次疾病分类测试中仅出现两次预测错误。
  • AgriVision 获得了印尼教育、文化、研究与技术部和大学提供的 870 万印尼盾资金,用于开发精准农业早期原型。

跨学科学生团队开发了 AgriVision AI 技术,该技术基于人工智能和 LoRa 检测水稻的叶枯病和稻瘟病。这项创新源自大学生创新创造计划(PKM-KC),由信息技术专业的 Ir. Susilo Romadhon, S.Kom., M.Cs. 指导,旨在应对经常侵袭印度尼西亚水稻作物的两种主要病害。AgriVision 等精准农业技术的发展,展现了学界利用人工智能提高国家农业生产力的决心。

协作团队与跨学科分工

这项创新项目由信息技术专业的 Muhammad Dzaki Pranaja Awish 负责,团队成员还有专注于 AI 训练和网站系统开发的 Putraku Ruliff Abbas(信息技术专业)。来自电气工程专业的两名学生 Aryasetya Maulana 和 Muhammad Zaidaan 负责电力基础设施、机器人技术和电信方面的工作。生物教育专业的 Tri Purwanti Ningsih 则在科学层面验证水稻健康参数,发挥了关键作用。跨专业合作体现了将信息技术与现代农业相结合的整体性方法。

Muhammad Dzaki Pranaja Awish 表示:“水稻是印度尼西亚的重要作物,因为大米是主要的碳水化合物来源。叶枯病和稻瘟病在印度尼西亚很常见,尤其是在水稻上。可以说,只要有人种水稻,每块稻田都有可能出现这些病害。”

AgriVision 的工作原理:结合 AI 与传感器的双重检测系统

为解决稻田区域互联网信号不足的问题,AgriVision 依靠 LoRa(远距离)技术运行,将数据本地传输至接收器。随后,用户可通过手机应用或 localhost 网站直接访问这些数据,无需传统的互联网托管服务。

该原型通过双重检测系统运行。摄像头使用计算机视觉扫描水稻的外观,最远可达五米;与此同时,土壤传感器读取 NPK 元素含量和 pH 值,因为患病水稻往往会呈现钾缺乏的迹象。随后,AI 对这些数据进行实时分类;如果检测到病害,系统便可按照所需剂量发出自动喷洒农药的指令。

Dzaki 解释说:“设备设计过程中最耗时的是 AI 和网站部分。因为我们在想,稻田里真的有网络吗?所以我们使用了采用 LoRa 技术的网站。AI 也很难做,因为我们必须训练 AI,让它学会检测叶枯病或稻瘟病。”

Boyolali 田间试验结果:准确率达 97.5%

经过三个月的密集开发,团队在 Boyolali 地区的几块稻田进行了为期四天的田间试验,结果令人振奋。他们训练的人工智能系统准确率很高:在 80 次病害分类试验中,AI 仅有两次预测错误,准确率达到 97.5%。

Dzaki 表示:“昨天我们在 Boyolali 地区进行了大约四天的试验,成功分类了叶枯病、稻瘟病和健康水稻。我们开发的 AI 成功检测出了所有情况,错误极少,80 次试验中只错判了两次。”

挑战与拓展检测范围的计划

尽管该设备已展现出较高的性能,但仍有一些挑战需要解决。雨天会降低摄像头捕捉图像的置信度,从而影响检测准确率。此外,扫描距离有限也给田间作业带来了障碍。

为克服这些限制,团队仍在持续改进。未来,他们计划扩大设备的检测范围,通过将两根摄像头支架斜向布置,使设备能够完整扫描一块稻田,最远距离达到八米。

Kemendikbudristek 的资金与支持

AgriVision 硬件和人工智能的开发获得了总额为 870 万印尼盾的综合资金支持,资金来源包括 Kemendikbudristek 和大学内部经费。由于所用电子设备规格较高,这笔预算中约有 75% 用于硬件组装,其余资金以及团队成员追加的个人资金则用于完成 PKM 的必需成果,例如制作视频和支付田间作业费用。

根据 PKM-Karsa Cipta 的核心规定,该计划专注于初始原型开发阶段,不涉及社区合作伙伴。如今,AgriVision 已成为一项前景广阔的精准农业技术创新的基础,未来有望进一步发展,助力农业部门繁荣发展。

常见问题

AgriVision 中的 AI 技术如何检测水稻病害?

AgriVision 使用结合计算机视觉和土壤传感器的双重检测系统。摄像头扫描水稻外观,最远可达五米;与此同时,土壤传感器读取 NPK 元素含量和 pH 值。经过训练的 AI 算法随后对这些数据进行实时分类,以检测叶枯病、稻瘟病或判断植株健康状况。如果检测到病害,系统便可按照所需剂量发出自动喷洒农药的指令。

AgriVision AI 技术的田间试验结果和表现如何?

田间试验在 Boyolali 地区的几块稻田进行了四天。在 80 次病害分类试验中,AI 系统仅有两次预测错误,准确率达到 97.5%。系统成功分类了叶枯病、稻瘟病和健康水稻,错误极少。不过,雨天仍会影响摄像头的置信度,因为雨水会降低采集图像的视觉质量。

AgriVision 未来计划如何发展?

团队计划扩大设备的检测范围,通过将两根摄像头支架斜向布置,使设备能够完整扫描一块稻田,最远距离达到八米。此外,团队将继续改进设备,以应对雨天可能降低检测准确率的挑战,目标是让 AgriVision 成为更加可靠、可在田间部署的精准农业解决方案。

免责声明:本页面信息可能来自第三方,仅供参考,不代表 Gate 的观点或意见,亦不构成任何财务、投资或法律建议。数字资产交易风险较高,请勿仅依赖本页面信息作出决策。具体内容详见声明。
评论
0/400
暂无评论